基于集成高斯过程回归的电力负荷与发电预测
机器学习
2019-10-10 v1 机器学习
摘要
我们提出了一种用于预测负荷需求与发电调度的新预测方法。对负荷需求的准确周度预测与最优发电对于电力系统的高效运行至关重要。本工作中，我们使用了一个描述电力网的合成数据集，该电网包含700个母线与134台发电机，数据以每小时速率在365天内合成生成。所提出的周度预测方法基于高斯过程回归(GPR)，其感兴趣量(QoI)的先验协方差矩阵由多达二十个前序周的QoI观测组成的集成计算而得。随后，我们在GPR框架内利用这些协方差预测下一周的QoI。我们证明所提出的集成GPR(EGPR)方法能够准确预测周度总负荷需求与发电曲线。EGPR方法被证明优于包括标准GPR与自回归积分滑动平均(ARIMA)方法在内的传统预测方法。
引用
@article{arxiv.1910.03783,
title = {Electric Load and Power Forecasting Using Ensemble Gaussian Process Regression},
author = {Tong Ma and Renke Huang and David Barajas-Solano and Ramakrishna Tipireddy and Alexandre M. Tartakovsky},
journal= {arXiv preprint arXiv:1910.03783},
year = {2019}
}