利用主动深度学习以更少数据增强时空电力负荷预测
机器学习
2022-11-23 v2 机器学习
摘要
应对全球变暖和缓解气候变化的一个有效途径是使能源部门电气化，并以其可再生风能和太阳能供给电力。电力负荷的时空预测对于规划这一转型日益重要，而深度学习预测模型为其提供了日益准确的预测。然而，用于训练深度学习模型的数据通常通过被动学习（passive learning）方法随机收集，这自然导致对智能电表等传感器的大量数据需求及相关成本，给电力公用事业部门的电网脱碳造成了巨大障碍。在此，我们测试了主动学习（active learning），利用额外计算收集更具信息量的数据子集。我们展示了电力公用事业部门如何应用主动学习更好地部署智能电表并收集数据，从而相比被动学习以约一半的数据实现更准确的负荷预测。
引用
@article{arxiv.2012.04407,
title = {Enhanced spatio-temporal electric load forecasts using less data with active deep learning},
author = {Arsam Aryandoust and Anthony Patt and Stefan Pfenninger},
journal= {arXiv preprint arXiv:2012.04407},
year = {2022}
}