面向数据稀缺情境下的智能电网少样本负荷预测：元学习方法

尽管智能电网的快速扩张和来自 individual 消费者层面的大量数据已取得显著进展，但仍存在各种情况下难以收集足够数据来训练精准负荷预测模型的挑战甚至不可能的情况。本文提出了将一种已建立的 model-agnostic 元学习算法适用于少样本学习情境下的短期负荷预测。具体而言，所提方法能够仅凭最少的训练样本即可在任意长度的未知负荷时间序列中快速适应和泛化。在此背景下，元学习模型学习一个最优的初始参数集合，用于 base-level learner 循环神经网络。所提方法使用来自真实消费者历史负荷消费数据的数据集进行评估。尽管所检验的负荷序列长度较短，仍能 produce 准确的预测，显著优于迁移学习和 task-specific 机器学习方法，提升幅度达 $12.5\%$。为增强模型评估的 robust性和公平性，本文提出一种新颖的度量——平均对数百分比误差（mean average log percentage error），以缓解常用 MAPE 指标引入的偏差。最后，也开展了一系列研究来评估模型在不同超参数和时间序列长度下的 robust性，结果表明所提方法始终优于所有其他模型。