面向短中期电力需求的掩码多步概率预测
机器学习
2023-02-15 v1 人工智能
信号处理
摘要
预测带有不确定性的电力需求有助于电网的规划与运行，从而为消费者提供可靠供电。基于机器学习（ML）的需求预测方法可分为（1）基于样本的方法，每次预测独立进行；（2）时间序列回归方法，利用部分历史负荷及其他特征信息。在进行短中期电力需求预测时，部分未来信息是可用的，例如天气预报与日历变量。然而，现有预测模型未能充分纳入这些未来信息。为克服现有方法的这一局限，我们提出掩码多步多变量概率预测（MMMPF），一种新颖且通用的框架，可训练任何能够生成输出序列的神经网络模型，将来自过去的时间信息与关于未来的已知信息结合以进行概率预测。我们在真实世界数据集上针对多区域短中期电力需求预测开展实验，并与多种 ML 方法比较。结果表明，所提 MMMPF 框架不仅优于基于样本的方法，也优于采用完全相同基模型的现有时间序列预测模型。用 MMMPF 训练的模型还可生成所需分位数以捕捉不确定性，并为未来电网的概率化规划提供支持。
引用
@article{arxiv.2302.06818,
title = {Masked Multi-Step Probabilistic Forecasting for Short-to-Mid-Term Electricity Demand},
author = {Yiwei Fu and Nurali Virani and Honggang Wang},
journal= {arXiv preprint arXiv:2302.06818},
year = {2023}
}
备注
Accepted by the 2023 IEEE Power & Energy Society General Meeting (PESGM). arXiv admin note: substantial text overlap with arXiv:2209.14413