基于异构时序集合多分辨率表示的供热需求预测
机器学习
2023-07-19 v2 计算机视觉与模式识别
摘要
公用事业公司面临的主要挑战之一是在最小温室气体排放下保障高效供应。智能电表与智能电网的出现，通过负荷预测等主动技术实现热能优化供应，提供了前所未有的优势。本文提出一种基于神经网络的供热需求预测框架，其中时间序列被编码为可嵌入天气、节假日/非节假日等外生变量的标度图。随后利用 CNN 预测多步提前热负荷。最后，将所提框架与 SARIMAX、LSTM 等其他 SOTA 方法比较。回溯实验的定量结果表明，基于从丹麦获取的真实世界数据，所提框架持续优于 SOTA 基线方法。该框架取得的 MAPE 最小平均误差为 7.54%，RMSE 为 417kW，优于所有其他方法。
引用
@article{arxiv.2210.13108,
title = {Heat Demand Forecasting with Multi-Resolutional Representation of Heterogeneous Temporal Ensemble},
author = {Adithya Ramachandran and Satyaki Chatterjee and Siming Bayer and Andreas Maier and Thorkil Flensmark},
journal= {arXiv preprint arXiv:2210.13108},
year = {2023}
}
备注
https://www.climatechange.ai/papers/neurips2022/46