面向电力预测模型开发的智能端到端神经架构搜索框架
机器学习
2024-06-04 v2
摘要
近年来，用于电力系统时间序列电力预测的深度学习（DL）模型开发呈指数级增长。然而，大多数所提出的模型是基于设计者固有的知识和经验设计的，并未详细阐明所提神经架构的适用性。此外，由于其结构设计的僵化，这些模型无法针对动态变化的数据模式进行自我调整。尽管近期若干研究考虑了将神经架构搜索（NAS）技术应用于电力预测领域以获取结构优化的网络，但其训练过程计算代价高昂且搜索策略不够灵活，表明该领域中的 NAS 应用仍处于起步阶段。在本研究中，我们提出一种用于开发时间序列电力预测模型的智能自动化架构搜索（IAAS）框架。所提框架包含三个主要组件，即网络功能保持变换操作、基于强化学习（RL）的网络变换控制以及启发式网络筛选，旨在提升网络结构的搜索质量。在两个公开可用的电力负荷数据集和两个风电数据集上开展综合实验后，我们证明所提 IAAS 框架在预测精度与稳定性方面显著优于十种现有模型或方法。最后，我们进行了消融实验以展示所提 IAAS 框架中关键组件对提升预测精度的重要性。
引用
@article{arxiv.2203.13563,
title = {An Intelligent End-to-End Neural Architecture Search Framework for Electricity Forecasting Model Development},
author = {Jin Yang and Guangxin Jiang and Yinan Wang and Ying Chen},
journal= {arXiv preprint arXiv:2203.13563},
year = {2024}
}
备注
published at INFORMS Journal on Computing