利用超网络和可学习核实现消费者能源预测——适用于多样化消费者类型
机器学习
2025-02-10 v1 人工智能
摘要
消费者能源预测对于管理能源消耗和规划至关重要，直接影响运营效率、成本降低、个性化能源管理以及可持续发展努力。近年来，深度学习技术，特别是LSTM和Transformer，在能源消耗预测领域取得了巨大成功。然而，这些技术在捕捉复杂和突变变化方面存在困难，而且通常只在特定类型的消费者（例如，仅办公楼，仅学校）上进行测试。因此，本文提出了HyperEnergy——一种利用超网络实现的消费者能源预测策略，以提高对复杂模式的建模，并适用于多样化的消费者。超网络负责预测主要预测网络的参数，本文中的主要网络为LSTM。一种可学习的可适应核——由多项式核和径向基函数核组成——被纳入以提高性能。对所提出的HyperEnergy进行了评估，包括学生宿舍、独立住宅、配有电动汽车充电装置的住宅以及多层住宅。HyperEnergy在所有消费者类型上都一致优于另外10种技术，包括诸如LSTM、AttentionLSTM和Transformer等最新模型。
引用
@article{arxiv.2502.05104,
title = {Leveraging Hypernetworks and Learnable Kernels for Consumer Energy Forecasting Across Diverse Consumer Types},
author = {Muhammad Umair Danish and Katarina Grolinger},
journal= {arXiv preprint arXiv:2502.05104},
year = {2025}
}