基于非负张量分解和遗传算法驱动的长期电力需求预测
机器学习
2025-03-31 v1
摘要
本研究提出了一种 novel 框架，用于基于历史消费数据进行长期电力需求预测，而不依赖于温度或经济指标等外部变量。该方法将非负张量分解 (NTF) 用于从多维电力使用数据中提取低维时序特征，结合遗传算法优化用于所提取潜在年份因子上应用的时间序列模型的超参数。我们将数据集建模为跨越电力公司、工业部门和年份的三阶张量，并在非负约束下应用标准多项式分解。年份分量使用自回归模型进行预测，其超参数通过验证集上的预测误差或重构准确性进行调优。使用来自日本的实际电力数据进行比较实验，表明该方法在均方误差方面优于不使用张量分解或进化优化的基线方法。此外，我们发现通过张量分解降低模型自由度有助于改善泛化性能，并且可以通过多次运行或集成策略来缓解 NTF 的初始化敏感性。这些发现表明，所提出的框架提供了一种可解释、灵活且可扩展的长期电力需求预测方法，可扩展到其他结构化时序预测任务。
引用
@article{arxiv.2503.22132,
title = {Long-Term Electricity Demand Prediction Using Non-negative Tensor Factorization and Genetic Algorithm-Driven Temporal Modeling},
author = {Toma Masaki and Kanta Tachibana},
journal= {arXiv preprint arXiv:2503.22132},
year = {2025}
}
备注
17 pages, 9 figures, 10 tables