用于自适应概率负荷预测的外部数据增强元表示
机器学习
2025-07-01 v1 系统与控制
系统与控制
摘要
随着可再生能源并网比例上升和需求侧灵活性增加，准确的居民负荷预测对电力系统可靠性至关重要。然而，大多数统计和机器学习模型将天气、日历效应和定价等外部因素作为额外输入，忽略了它们的异质性，从而限制了对有用外部信息的提取。我们提出一种范式转换：外部数据应作为元知识，以动态调整预测模型本身。基于这一思想，我们设计了一个使用超网络的元表示框架，该框架根据外部条件调制基础深度学习（DL）模型的选定参数。这同时提供了表达能力与适应性。我们进一步集成了混合专家机制，通过选择性激活专家来提高效率，同时通过过滤冗余外部输入来提高鲁棒性。由此产生的模型被称为外部数据元混合专家（M2oE2），在有限的额外开销下，在准确性和鲁棒性方面取得了显著提升，在多种负荷数据集上优于现有的 SOTA 方法。数据集和源代码公开于 https://github.com/haorandd/M2oE2\_load\_forecast.git。
引用
@article{arxiv.2506.23201,
title = {External Data-Enhanced Meta-Representation for Adaptive Probabilistic Load Forecasting},
author = {Haoran Li and Muhao Guo and Marija Ilic and Yang Weng and Guangchun Ruan},
journal= {arXiv preprint arXiv:2506.23201},
year = {2025}
}
备注
10 pages