多步多电器负荷预测

一个性能良好的预测模型对于推荐系统建议节能消费行为至关重要。然而，可靠且准确的预测依赖于信息丰富的特征和合适的模型设计，以便在不同家庭和电器上都能表现良好且稳健。此外，客户对准确预测的不合理高期望可能会阻碍他们长期使用该系统。在本文中，我们设计了一个三步预测框架，用于评估可预测性、工程特征和深度学习架构，以预测 24 小时的逐时负荷值。首先，我们的可预测性分析为期望管理提供了工具，以缓冲客户的预期。其次，我们为建模过程设计了几个新的天气、时间和电器相关参数，并测试了它们对模型预测性能的贡献。第三，我们研究了六种深度学习技术，并将它们与树回归和支持向量回归基准进行比较。我们基于来自四个不同地区（美国、英国、奥地利和加拿大）的四个数据集，使用一组相同的电器，开发了一个鲁棒且准确的电器级负荷预测模型。实证结果表明，时间特征的循环编码和天气指标结合长短期记忆（LSTM）模型提供了最优性能。