基于统计与机器学习混合算法的电力需求预测：以乌克兰为例
机器学习
2023-04-12 v1 应用统计
摘要
本文提出一种结合统计与机器学习的新型混合方法，用于预测全国电力需求。由于未来能源系统的投资与运行需要小时分辨率的长周期电力需求预测，我们的数学模型填补了能源预测中的一项空白。所提方法基于乌克兰 2013 至 2020 年小时级用电数据构建。为此，我们分析了电力消耗在小时、日与年时间序列下的底层结构。长期年度趋势通过宏观经济回归分析评估。中期模型整合温度与日历回归因子以描述底层结构，并组合 ARIMA 与 LSTM “黑盒”基于模式的方法来描述误差项。短期模型通过日历回归因子与多个 ARMA 残差模型捕捉小时季节性。结果表明，最佳预测模型由多个回归模型与用于残差预测的 LSTM 混合模型组合而成。我们的混合模型在小时分辨率的长周期电力消耗预测上非常有效。在含 17520 个时间步的两年样本外预测中，其准确率在 96.83% 以内。
引用
@article{arxiv.2304.05174,
title = {Electricity Demand Forecasting with Hybrid Statistical and Machine Learning Algorithms: Case Study of Ukraine},
author = {Tatiana Gonzalez Grandon and Johannes Schwenzer and Thomas Steens and Julia Breuing},
journal= {arXiv preprint arXiv:2304.05174},
year = {2023}
}
备注
31 pages, 13 figures, submitted to Applied Energy