短期电力负荷预测误差的元回归分析
机器学习
2023-05-31 v1 应用统计
摘要
电力需求预测在确保电力供应可靠且具成本效益的运营中起着关键作用。随着全球向分布式可再生能源转型以及供热与交通的电气化，准确的负荷预测变得更为重要。尽管存在大量实证研究及少数综述文章，但对文献的定量分析少得惊人，最明显的是尚无研究识别跨全部实证研究的影响因素对预测性能的作用。因此，本文提出一种元回归分析（MRA），考察影响短期电力负荷预测准确性的因素。我们使用来自59项研究中发表的421个预测模型的数据。虽然电网层级（尤其是个体 vs. 聚合 vs. 系统）、预测粒度及所用算法似乎对MAPE有显著影响，但文献计量数据、数据集规模和预测周期未显示显著效应。我们发现LSTM方法以及神经网络与其他方法结合是最佳预测方法。结果有助于从业者和研究者做出有意义的模型选择。然而，本文呼吁在负荷预测领域开展进一步MRA，以弥合负荷预测研究与实践中的盲点。
引用
@article{arxiv.2305.18550,
title = {Meta-Regression Analysis of Errors in Short-Term Electricity Load Forecasting},
author = {Konstantin Hopf and Hannah Hartstang and Thorsten Staake},
journal= {arXiv preprint arXiv:2305.18550},
year = {2023}
}
备注
8 pages, 3 figures, 7 tables