GCA-BULF：基于分组关键家电的短期负荷预测自下而上框架
机器学习
2026-04-29 v1 人工智能
信号处理
摘要
随着时段用电和阶梯电价的推广，能源消费者被鼓励通过自动控制高功率家电来实施峰值迁移策略。这些措施有助于降低能源成本并提高电网稳定性。为支持具备高韧性和响应性的能源管理，可靠的短期负荷预测（STLF）至关重要。STLF预测的时间范围从分钟到天不等，依赖历史数据、时序模式和上下文因素。传统的自上而下预测方法难以捕捉多样化和混合家电负荷的复杂消费模式。虽然自下而上方法通过整合家电级别数据提高了预测精度，但监控所有家电成本高昂，且许多家电对总负荷预测贡献不大。因此，我们提出GCA-BULF，一种基于分组关键家电的自下而上短期负荷预测框架，包含三个关键设计。首先，关键家电过滤模块根据功率消耗、开关频率和使用模式周期性对家电进行排序，并通过迭代负荷分解识别关键家电。接着，相关家电分组模块根据空间和时间相关性对这些家电进行聚类，实现分组级别的预测。最后，协同负荷预测模块通过结合多个分组级别的预测来细化总负荷预测。在住宅和办公楼负荷预测任务上进行评估。实验结果表明，与现有自上而下方法相比，GCA-BULF在提升小时级总负荷预测方面提高了20.85%-57.88%；与自下而上方法相比，提高了33.03%-92.48%。
引用
@article{arxiv.2604.24766,
title = {GCA-BULF: A Bottom-Up Framework for Short-Term Load Forecasting Using Grouped Critical Appliances},
author = {Yunhao Yao and Jinwei Fang and Puhan Luo and Zhiqiang Wang and Jiahui Hou and Xiang-Yang Li},
journal= {arXiv preprint arXiv:2604.24766},
year = {2026}
}
备注
10 pages, 12 figures