EnsembleCI：用于碳强度预测的集成学习
机器学习
2025-05-07 v2
摘要
碳强度（CI）衡量每单位发电量产生的平均碳排放量，使其成为量化和管理环境影响的关键指标。准确的 CI 预测对于最小化碳足迹至关重要，然而最先进的方法（CarbonCast）由于无法解决区域差异性和缺乏适应性而存在不足。为了解决这些局限性，我们引入了 EnsembleCI，一种自适应的、端到端的基于集成学习的方法，用于 CI 预测。EnsembleCI 结合了来自多个子学习器的加权预测，提供了增强的灵活性和区域适应性。在 11 个区域电网的评估中，EnsembleCI 始终优于 CarbonCast，在几乎所有电网中都实现了最低的平均绝对百分比误差（MAPE），并将预测精度平均提高了 19.58%。虽然由于固有的区域多样性，性能在不同电网之间仍然存在差异，但与 CarbonCast 相比，EnsembleCI 减少了差异性，在长期预测中表现出更强的鲁棒性，并识别了区域特定的关键特征，突显了其可解释性和实际相关性。这些发现使 EnsembleCI 成为更准确、更可靠的 CI 预测解决方案。本文使用的 EnsembleCI 源代码和数据可在 https://github.com/emmayly/EnsembleCI 获取。
引用
@article{arxiv.2505.01959,
title = {EnsembleCI: Ensemble Learning for Carbon Intensity Forecasting},
author = {Leyi Yan and Linda Wang and Sihang Liu and Yi Ding},
journal= {arXiv preprint arXiv:2505.01959},
year = {2025}
}
备注
5 pages, 5 figures, 3 tables, In The 16th ACM International Conference on Future and Sustainable Energy Systems (E-ENERGY'25)