基于知识聚合的高精度电力负荷估计
信号处理
2022-12-29 v1
摘要
中长期电力能源需求预测对智能电网系统的规划与运行至关重要，尤其在电力系统于放松管制环境下运行的国家。传统预测模型无法融入外部知识，而现代数据驱动模型忽视了解释性，且负荷序列受诸多复杂因素影响，难以应对高度不稳定和非线性的电力负荷序列。为解决预测问题，我们提出一种更精确的区级负荷预测模型，基于领域知识与分解集成思想。其主要思想有三：a) 根据具有明显周期性和周期规律的负荷时间序列的非平稳特征，分解为具有实际经济含义的序列再进行负荷分析与预测；2) 应用核主成分分析（KPCA）提取天气与日历规则特征集的主成分以实现数据降维；3) 基于领域知识充分发挥各类模型优势，提出一种基于自回归积分滑动平均模型（ARIMA）、支持向量回归（SVR）和极端梯度提升模型（XGBoost）的混合模型（XASXG）。借助上述设计，尽管电力需求具有高度不稳定特征，模型仍能准确预测。我们在中国四个城市月度电力需求真实时间序列上，将方法与九种基准方法（包括经典统计模型及基于机器学习的前沿模型）比较。实证研究表明，所提混合模型在准确率和预测偏差上均优于所有对比方法。
引用
@article{arxiv.2212.13913,
title = {Highly-Accurate Electricity Load Estimation via Knowledge Aggregation},
author = {Yuting Ding and Di Wu and Yi He and Xin Luo and Song Deng},
journal= {arXiv preprint arXiv:2212.13913},
year = {2022}
}