基于循环神经网络的设备级短期负荷预测
机器学习
2021-11-24 v1
摘要
准确的负荷预测对于电力市场运营和电力系统中的其他实时决策任务至关重要。本文考虑了社区内住宅用户的短期负荷预测（STLF）问题。现有的 STLF 工作主要集中在预测馈线系统或单一客户的聚合负荷，但在预测单个设备级负荷方面的努力甚少。在这项工作中，我们提出了一种 STLF 算法，用于高效预测单个电气设备的功耗。所提出的方法建立在深度学习中强大的循环神经网络（RNN）架构之上，称为长短期记忆（LSTM）。由于每个设备都有独特的重复消耗模式，我们将跟踪预测误差的模式，以便利用过去的预测误差来提高最终的预测性能。在真实世界负荷数据集上的数值测试表明，所提出的方法优于现有的基于 LSTM 的方法和其他基准方法。
引用
@article{arxiv.2111.11998,
title = {Appliance Level Short-term Load Forecasting via Recurrent Neural Network},
author = {Yuqi Zhou and Arun Sukumaran Nair and David Ganger and Abhinandan Tripathi and Chaitanya Baone and Hao Zhu},
journal= {arXiv preprint arXiv:2111.11998},
year = {2021}
}