通过基于开放访问合成轮廓的迁移学习提高能源社区负荷预测
机器学习
2024-07-12 v1
摘要
根据保守的估计，对于 10 GW 的能源工具组，仅 reducing forecast error 1% 可年节省最高达 160 万美元。 在我们的背景下，准确预测未来电力消耗至关重要，以实现对灵活能源资产的模型预测控制方法。具体而言，本工作聚焦于首年能源社区的负荷轮廓预测，其面临的常见实际挑战是历史数据可用性有限。我们提出使用开放访问的合成负荷轮廓进行迁移学习，以解决这一挑战。结果表明，这种方法提高了训练稳定性和预测误差。 在 74 个家庭的测试案例中，预测均方根误差（MSE）从 0.34 降至 0.13，表明以合成负荷轮廓为基础的迁移学习是一种补偿历史数据不足的可行方法。
引用
@article{arxiv.2407.08434,
title = {Improve Load Forecasting in Energy Communities through Transfer Learning using Open-Access Synthetic Profiles},
author = {Lukas Moosbrugger and Valentin Seiler and Gerhard Huber and Peter Kepplinger},
journal= {arXiv preprint arXiv:2407.08434},
year = {2024}
}
备注
The paper has been accepted for the IEEE RTSI 2024 conference