家庭和能源社区负荷预测：深度学习模型值得投入吗？
机器学习
2025-07-21 v5
摘要
能源社区（ECs）在实现本地需求转移和提升自给率方面发挥着关键作用，由于能源系统向具有高可再生能源比例的去中心化结构转变。为了最优地运行它们，准确的短期负荷预测至关重要，尤其是为了实施需求侧管理策略。鉴于近期深度学习方法的兴起，数据驱动的预测方法受到广泛关注，但在许多实际情境中仍不足够探索。因此，本研究评估了最新深度学习模型（包括 LSTM、xLSTM 和 Transformer 架构）相对于传统基准（如 K-最近邻 KNN 和持久化预测）的有效性，考察了社区规模、历史数据 availability 以及模型复杂度的不同情况。此外，还评估了使用公共合成负荷轮廓进行迁移学习的效益。平均而言，当仅有两个月的训练数据时，迁移学习可将归一化平均绝对误差降低 1.97 个百分点。有趣的是，在训练数据不足六个月时，简单持久化模型在预测准确性方面优于深度学习架构。通过对 50 户家庭的能源社区演示了改进预测的实际价值，该社区配备了共享的储能系统。对于最准确的深度学习模型，平均财务能源成本降低 8.06%。值得注意的是，简单方法 KNN 实现了平均节省 8.01%，成为一种具有竞争力和稳健的替代方案。所有实现均公开，以促进可重复性。这些发现为能源社区提供了可操作的见解，也揭示了在性能提升显著时深度学习的额外复杂性是否值得。
引用
@article{arxiv.2501.05000,
title = {Load Forecasting for Households and Energy Communities: Are Deep Learning Models Worth the Effort?},
author = {Lukas Moosbrugger and Valentin Seiler and Philipp Wohlgenannt and Sebastian Hegenbart and Sashko Ristov and Elias Eder and Peter Kepplinger},
journal= {arXiv preprint arXiv:2501.05000},
year = {2025}
}