智能电网时代的负荷预测：机会与高级机器学习模型

Aurausp Maneshni

智能电网时代的负荷预测：机会与高级机器学习模型

信号处理 2025-05-27 v1 机器学习

作者: Aurausp Maneshni

摘要

电能难以储存，需更严格地控制其生成、传输和分配。电力系统中持续面临的挑战是维持电力需求与供给之间的实时平衡。过量供给导致资源浪费，而不足的供给则可能致使电网受压、增加运营成本，并潜在影响服务可靠性。为维持电网稳定，需进行负荷预测。准确的负荷预测通过努力预测未来电力消耗来平衡生成与需求。本论文检验并评估了四种机器学习框架用于短期负荷预测，包括梯度提升决策树方法，如极端梯度提升 (Extreme Gradient Boosting, XGBoost) 和光梯度提升机 (Light Gradient Boosting Machine, LightGBM)。也开发了一种混合框架。此外，设计并实现了两种循环神经网络架构：长短期记忆网络 (Long Short Term Memory, LSTM) 和门控循环单元 (Gated Recurrent Units, GRU)。应用皮尔逊相关系数评估电力需求与外生变量之间的关系。实验结果表明，对于本研究中的特定数据集和预测任务，基于机器学习的模型相较于经典的 ARIMA 基准实现了 improved 的预测性能。

关键词

负荷预测机器学习 XGBoost LSTM 智能电网

引用

@article{arxiv.2505.18170,
  title  = {Load Forecasting in the Era of Smart Grids: Opportunities and Advanced Machine Learning Models},
  author = {Aurausp Maneshni},
  journal= {arXiv preprint arXiv:2505.18170},
  year   = {2025}
}

智能电网时代的负荷预测：机会与高级机器学习模型

摘要

关键词

引用

相关论文