利用超网络在家庭级电力消耗预测中融合外部因素

准确的电力消耗预测对于高效能源管理和资源分配至关重要。虽然传统时间序列预测依赖历史模式和时间依赖性，但 incorporating 外部因素（如天气指标）在复杂现实应用中显示出显著潜力来提高预测准确性。然而，这些额外特征的加入常常会降低在整个人群上训练的全局预测模型性能，尽管在individual household-level模型中效果提升。为此，我们发现超网络架构（hypernetwork architecture）能够有效地利用外部因素来增强全球电力消耗预测模型的准确性，通过特别地调整模型权重以适应每个消费者。我们收集了一个覆盖两年的综合数据集，包含来自6000多户卢森堡家庭的消耗数据以及相应的外部因素，如天气指标、节假日和重大本地事件。通过比较各种预测模型，我们展示了当关联外部因素时，超网络方法优于现有方法，降低预测误差，实现最佳准确率，同时保持全局模型的优势。