从稠密到稀疏: 基于事件响应的住宅负荷预测
机器学习
2025-01-09 v3
摘要
住宅负荷预测 (RLF) 对电力系统的资源调度至关重要。目前大多数方法都利用所有给定的负荷记录（稠密数据）来无差别地提取历史数据与未来时间序列之间的依赖关系。然而, 不同电器之间的事件相关关联中潜伏着重要的规律性模式（稀疏知识），这些知识尚未被充分利用。本文提出了一种受事件响应指导的住宅负荷预测方法 (ERKG), 通过估计不同电器的用电事件, 从负荷序列中挖掘事件相关的稀疏知识。ERKG 实现了事件响应估计, 用于描绘居民的用电行为, 揭示电器运行状态的规律性变化。具体而言, ERKG 包含知识提取与引导: i) 设计一个用于电器用电事件的预测模型, 通过估计电器运行状态来提取事件相关的稀疏知识; ii) 建立一种新型的知识引导机制, 将此类状态估计融入住宅负荷预测模型, 可对用户用电行为模式给予特定关注。值得注意的是, ERKG 可灵活地作为提升现有预测模型能力的插件模块, 通过利用事件响应实现性能提升。数值实验表明, 在所测试的前沿预测模型上, ERKG 可实现超过 8% 的平均绝对误差 (MAE) 降低。
引用
@article{arxiv.2501.02781,
title = {From Dense to Sparse: Event Response for Enhanced Residential Load Forecasting},
author = {Xin Cao and Qinghua Tao and Yingjie Zhou and Lu Zhang and Le Zhang and Dongjin Song and Dapeng Oliver Wu and Ce Zhu},
journal= {arXiv preprint arXiv:2501.02781},
year = {2025}
}
备注
12 pages and 6 figures. Accepted for publication by IEEE Transactions on Instrumentation and Measurement