LoadCNN：一种低训练成本的深度学习日前独立居民负荷预测模型
信号处理
2019-12-23 v3 机器学习
神经与进化计算
摘要
准确的日前独立居民负荷预测对于日前市场下智能电网的各种应用具有重要意义。深度学习作为一种强大的机器学习技术，在负荷预测任务中已展现出巨大优势和良好应用前景。然而，深度学习是一种计算密集型方法，训练深度学习模型需要高昂的成本（如时间、能源和CO2排放），加剧了能源危机并给环境带来沉重负担。因此，深度学习方法难以在真实智能电网环境中普及应用。本文提出一种基于卷积神经网络的低训练成本模型，即LoadCNN，用于次日独立居民负荷预测，并降低了训练成本。实验表明，LoadCNN的训练时间仅约为其他state-of-the-art模型的1/54，基于相同指标其能耗和CO2排放仅约为其他state-of-the-art模型的1/45。同时，我们模型的预测精度与当前state-of-the-art模型相当，使LoadCNN成为首个同时实现高预测精度和低训练成本的负荷预测模型。LoadCNN是一种高效的绿色模型，能够快速、低成本且环保地部署于真实智能电网环境中。
引用
@article{arxiv.1908.00298,
title = {LoadCNN: A Low Training Cost Deep Learning Model for Day-Ahead Individual Residential Load Forecasting},
author = {Yunyou Huang and Nana Wang and Wanling Gao and Xiaoxu Guo and Cheng Huang and Tianshu Hao and Jianfeng Zhan},
journal= {arXiv preprint arXiv:1908.00298},
year = {2019}
}