用于负荷预测的自动化深度学习
机器学习
2024-05-16 v1 人工智能
神经与进化计算
摘要
准确预测电力消耗对于确保电网的性能和稳定性至关重要，尤其是在可再生能源使用量增加的情况下。预测电力负荷具有挑战性，因为它取决于许多外部因素，如天气和日历变量。虽然基于回归的模型目前很有效，但新解释变量的出现以及对预测信号时间分辨率进行细化的需求，正促使人们探索新方法，特别是深度学习模型。然而，由于数据点不足以及解释变量类型各异（例如整数、浮点数或类别型），深度神经网络（DNN）在此任务上面临困难。在本文中，我们解释了为何以及如何使用自动化深度学习来寻找适用于负荷预测的高性能 DNN。我们最终通过扩展 DRAGON 软件包并将其应用于负荷预测，创建了一个名为 EnergyDragon 的 AutoDL 框架。EnergyDragon 以一种创新的方式自动选择嵌入 DNN 训练中的特征，并优化网络的架构和超参数。我们在法国负荷信号上证明，EnergyDragon 能够找到优于现有最先进负荷预测方法以及其他 AutoDL 方法的原创 DNN。
引用
@article{arxiv.2405.08842,
title = {Automated Deep Learning for Load Forecasting},
author = {Julie Keisler and Sandra Claudel and Gilles Cabriel and Margaux Brégère},
journal= {arXiv preprint arXiv:2405.08842},
year = {2024}
}