面向大规模短期负荷预测的全球化方法
机器学习
2025-07-17 v1 人工智能
摘要
对电力传输网络负荷的预测在从系统层面一直到单个投送点（PoD）的各个层级都是至关重要的。虽然直观且在局部准确，传统的局部预测模型（LFM）面临诸多局限，尤其是在处理可塑性、过拟合、数据漂移和冷启动问题方面。这些方法在规模扩大时也难以实现可扩展性，计算成本随网络规模和数据量的增长而升高。相比之下，全球预测模型（GFM）通过全球化和跨学习提供了一种新方法，以提高预测的可塑性、可扩展性、准确性和鲁棒性。本文探讨了在数据漂移存在下的全局负荷预测，突出显示不同建模技术和数据异构性的影响。我们探讨了特征转换模型和目标转换模型，展示了全球化、数据异构性和数据漂移对各自的影响。此外，我们考察了全球化在峰值负荷预测中的作用以及其在分层预测中的潜力。为了解决数据异构性问题并在全局性和局部性之间取得平衡，我们提出了独立的时间序列聚类（TSC）方法，为特征转换模型引入基于模型的TSC，为目标转换模型引入新的加权实例基于TSC。通过在阿尔伯塔电力负荷的真实数据集上进行大量实验，我们展示了全局目标转换模型在丰富了全球特征和聚类技术后，始终优于其局部对手。相比之下，全局特征转换模型在平衡局部和全局动力学方面面临挑战，往往需要TSC来有效管理数据异构性。
引用
@article{arxiv.2507.11729,
title = {Globalization for Scalable Short-term Load Forecasting},
author = {Amirhossein Ahmadi and Hamidreza Zareipour and Henry Leung},
journal= {arXiv preprint arXiv:2507.11729},
year = {2025}
}
备注
63 pages with 22 figures