面向短期负荷过程预测的先进统计学习
应用统计
2021-10-20 v1 统计计算
机器学习
摘要
短期负荷预测（Short Term Load Forecast，STLF）对于电力用户的有效调度、运行优化交易和决策制定是必要的。当今现代高效的机器学习方法被用于管理具有非线性时间依赖结构特征的复杂结构化大数据集。我们提出了不同的统计非线性模型来应对这类困难数据集的挑战，并预测提前至多 2 天的 15 分钟频率电力负荷。我们表明，应用于某化工生产设施生产线的长短期记忆（Long-short Term Memory，LSTM）和门控循环单元（Gated Recurrent Unit，GRU）模型，在样本外预测精度上通过 Diebold-Mariano（DM）检验及若干指标优于其他几种预测模型。该预测信息对于电力用户的风险和生产管理至关重要。
引用
@article{arxiv.2110.09920,
title = {Advanced Statistical Learning on Short Term Load Process Forecasting},
author = {Junjie Hu and Brenda López Cabrera and Awdesch Melzer},
journal= {arXiv preprint arXiv:2110.09920},
year = {2021}
}
备注
19 pages