用于电力消耗预测的非对称损失与异常检测 LSTM 框架
机器学习
2023-02-23 v1 人工智能
摘要
构建具有最小欠预测量的准确负荷预测模型，对于防止因电力生产不足导致的任何不期望停电至关重要。然而，居民部门的电力消耗模式包含波动与异常，使其难以预测。本文中，我们提出多种带有不同非对称损失函数的长短期记忆（LSTM）框架，以对欠预测施加更高惩罚。我们还在负荷预测任务前应用基于密度的带噪声空间聚类（DBSCAN）异常检测方法，以移除任何存在的离群值。考虑到天气与社会因素的影响，对来自法国、德国和匈牙利的三个所考虑数据集（包含小时级电力消耗、天气与日历特征）进行季节性划分。均方根误差（RMSE）结果显示，移除异常可有效降低所有季节性数据集中的低估与高估误差。此外，非对称损失函数与季节性划分有效最小化了低估，尽管在一定程度上增加了高估误差。减少电力消耗的欠预测对于防止可能损害社区的停电至关重要。
引用
@article{arxiv.2302.10889,
title = {An Asymmetric Loss with Anomaly Detection LSTM Framework for Power Consumption Prediction},
author = {Jihan Ghanim and Maha Issa and Mariette Awad},
journal= {arXiv preprint arXiv:2302.10889},
year = {2023}
}
备注
This paper was published in 2022 IEEE 21st Mediterranean Electrotechnical Conference (MELECON)