基于广义加性模型与深度神经网络的高分辨率峰值负荷估计
机器学习
2023-02-13 v2 系统与控制
计量经济学
系统与控制
应用统计
机器学习
摘要
本文研究在给定较低分辨率数据的情况下预测高分辨率电力峰值负荷特征的问题。这一设定具有现实意义，因为它回答了在不再具备高分辨率数据的情况下，有限的高分辨率监测是否有助于估计未来的高分辨率峰值负荷。对于因经济考量而考虑替换高分辨率监测预测模型的网络运营商而言，该问题尤为有趣。我们提出了在模型输入为较低分辨率（30分钟）时，预测高分辨率（每分钟）电力负荷数据半小时最小值和最大值的模型。我们结合了广义加性模型（GAM）和深度人工神经网络（DNN）的预测，这两者在中负荷预测中颇为流行。我们广泛分析了预测模型，包括输入参数的重要性，重点关注负荷、天气和季节性效应。所提方法赢得了由英国配电网络运营商 Western Power Distribution 组织的数据竞赛。此外，我们提供了一项超越竞赛框架以分析模型鲁棒性的严格评估研究。结果表明，就样本外均方根误差（RMSE）而言，所提方法优于竞赛基准。这适用于竞赛月份以及涵盖额外十一个月的补充评估研究。总体而言，与基准相比，我们提出的模型组合将样本外 RMSE 降低了 57.4%。
引用
@article{arxiv.2203.03342,
title = {High-Resolution Peak Demand Estimation Using Generalized Additive Models and Deep Neural Networks},
author = {Jonathan Berrisch and Michał Narajewski and Florian Ziel},
journal= {arXiv preprint arXiv:2203.03342},
year = {2023}
}