住宅建筑与能源社区的逐时短期负荷预测

电力负荷消耗在曲线模式上可能极其复杂，因为它取决于广泛的人为因素，并且通常与几个外生因素相关，例如可再生能源的可用性和天气条件。本文的第一个目标是研究大量不同类型的预测模型在提前一天或几小时的短时间范围内预测电力负荷消耗的性能。这种预测对于单个住宅建筑或小型能源社区的能源管理可能相当有用。具体而言，我们引入了持续性模型、标准的基于自回归的机器学习模型以及更先进的深度学习模型。本文的第二个目标是引入两种替代的建模方法，与前面提到的黑盒建模技术相比，它们在结构上更简单，同时考虑了领域特定知识。具体而言，我们考虑了作者先前引入的基于持续性的自回归模型（PAR）和基于持续性的季节性回归模型（SPR）。在本文中，我们专门定制这些模型以适应逐时预测的生成。引入的模型和由此产生的比较分析扩展了作者先前局限于日前预测的工作。我们观察到，新引入的基于逐时预测的模型比现有方法的预测准确率提高了15-30%。