KPF-AE-LSTM：高光伏渗透场景下净负荷预测的深度概率模型
信号处理
2022-03-10 v1 机器学习
系统与控制
系统与控制
摘要
随着配电网中表后光伏渗透的预期增长，有必要开发能够可靠预测净负荷、准确量化其不确定性与波动性的时间序列预测方法。本文提出一种深度学习方法，以15分钟分辨率在各种光伏渗透水平下生成日前净负荷的概率预测。我们所提出的基于深度学习的架构利用卷积自编码器（AE）将高维输入降维至低维潜空间。随后，将AE提取的特征通过核嵌入Perron-Frobenius（kPF）算子，以在潜空间上生成概率分布。最后，利用长短期记忆（LSTM）层从潜空间分布合成预测净负荷的时间序列概率分布。与现有基准模型相比，这些模型在多个指标上表现出更优的预测性能，并保持了更优的训练效率。我们开展了详细分析，以评估模型在不同光伏渗透水平（高达50%）、预测 horizons（例如提前15分钟和24小时）以及房屋聚合层级下的表现，及其对缺失测量的鲁棒性。
引用
@article{arxiv.2203.04401,
title = {KPF-AE-LSTM: A Deep Probabilistic Model for Net-Load Forecasting in High Solar Scenarios},
author = {Deepthi Sen and Indrasis Chakraborty and Soumya Kundu and Andrew P. Reiman and Ian Beil and Andy Eiden},
journal= {arXiv preprint arXiv:2203.04401},
year = {2022}
}
备注
presently under review at a IEEE PES journal