Kolmogorov-Arnold 递归网络用于多样化消费者的短期负荷预测
机器学习
2025-01-14 v1 人工智能
信号处理
摘要
负荷预测在能源管理中起着关键作用，直接影响电网稳定性、运营效率、成本降低和环境可持续性。传统的 vanilla 递归神经网络 (RNN) 面临梯度消失和爆炸问题，而较为复杂的 RNN（如 LSTM）在这一领域显示出相当大的成功。然而，这些模型通常难以准确捕捉能源消耗的复杂和突变变化，且其适用性通常仅限于特定类型的消费者，如办公室或学校。为此，本文提出了 Kolmogorov-Arnold 递归网络 (KARN)，一种新的负荷预测方法，将 Kolmogorov-Arnold 网络的灵活性与 RNN 的时序建模能力相结合。KARN 利用可学习的时序样条函数和基于边的激活函数，更好地建模负荷数据中的非线性关系，使其能够适应多种消费者类型。该提出的 KARN 模型在包括学生宿舍、独立住宅、配有电动汽车充电装置的住宅、 townhouse 以及工业建筑等多个真实世界数据集上进行了严格评估。在所有这些消费者类别中，KARN 都始终优于传统的 vanilla RNN，而在六个建筑物中，KARN 还超过了 LSTM 和门控循环单元 (GRU)。结果表明，KARN 在准确率和适用性方面具有优势，为增强多场景能源管理中的负荷预测提供了有前景的工具。
引用
@article{arxiv.2501.06965,
title = {Kolmogorov-Arnold Recurrent Network for Short Term Load Forecasting Across Diverse Consumers},
author = {Muhammad Umair Danish and Katarina Grolinger},
journal= {arXiv preprint arXiv:2501.06965},
year = {2025}
}