DiffPLF：用于电动汽车充电负荷概率预测的条件扩散模型
机器学习
2024-02-22 v1 信号处理
摘要
由于电动汽车（EV）在配电网中的大量接入，充电负荷预测对于促进充电站运营和需求侧管理至关重要。然而，随机的充电行为及相关的外部因素导致未来充电负荷模式波动性大且难以预测。为此，我们设计了一种名为 DiffPLF 的新型扩散模型，用于电动汽车充电的概率负荷预测，该模型能够显式地逼近以历史数据和相关协变量为条件的预测负荷分布。具体而言，我们利用去噪扩散模型，通过学习扩散过程的逆过程，将高斯先验逐步转化为真实时间序列数据。此外，我们将该扩散模型与基于交叉注意力的条件机制相耦合，以实现对可能充电需求曲线的条件生成。我们还提出了一种任务感知的微调技术，以使 DiffPLF 更好地适应概率时间序列预测任务，并获得更准确、更可靠的预测区间。最后，我们进行了多项实验，验证了 DiffPLF 在预测不稳定充电负荷的复杂时间模式方面的优越性，并基于特定协变量实现了可控生成。结果表明，与传统方法相比，我们在 MAE 和 CRPS 上分别实现了 39.58% 和 49.87% 的显著提升。
引用
@article{arxiv.2402.13548,
title = {DiffPLF: A Conditional Diffusion Model for Probabilistic Forecasting of EV Charging Load},
author = {Siyang Li and Hui Xiong and Yize Chen},
journal= {arXiv preprint arXiv:2402.13548},
year = {2024}
}
备注
Accepted to the 23rd Power Systems Computation Conference (PSCC). Code is released at https://github.com/LSY-Cython/DiffPLF