电力需求区间预测的学习方法：一种基于聚类的自助法
机器学习
2025-11-10 v2 人工智能
摘要
在微电网等小规模聚合负荷场景中，准确的电力需求预测对于运营管理必不可少。由于聚合度低，电力需求可能高度随机，点估计会导致膨胀的误差。在此情形下，区间估计将提供未来值可能落入的数值范围，并有助于量化点估计周围的误差。本文提出一种残差自助算法以生成日前电力需求的区间估计。我们使用机器学习算法获得电力需求的点估计及训练集上相应的残差。所得残差存入记忆体，并进一步对记忆体进行划分。利用无监督学习算法将具有相似需求模式的日子聚为一类，并这些簇用于分割记忆体。测试日的点估计用于寻找最相近的相似日簇，并从所选簇中自助抽样残差。该算法在 EULR（终端用电负荷研究）的真实电力需求数据上进行了评估，并针对不同的置信区间与其他自助方法作了比较。
引用
@article{arxiv.2309.01336,
title = {Learning for Interval Prediction of Electricity Demand: A Cluster-based Bootstrapping Approach},
author = {Rohit Dube and Natarajan Gautam and Amarnath Banerjee and Harsha Nagarajan},
journal= {arXiv preprint arXiv:2309.01336},
year = {2025}
}