全国尺度电力峰值负荷预测：传统模型、机器学习模型还是混合模型？
信号处理
2021-10-22 v1 机器学习
系统与控制
计量经济学
系统与控制
摘要
随着气候变化与电气化导致电力需求波动加剧，准确的峰值负荷预测日益重要。传统峰值负荷预测通过基于时间序列的模型进行；然而，近来基于机器或深度学习的新模型正被引入。本研究通过比较时间序列、机器学习与混合模型的性能，开展对比分析以确定韩国最精确的峰值负荷预测模型。时间序列模型采用带外生变量的季节性自回归积分滑动平均模型（SARIMAX）。机器学习模型采用人工神经网络（ANN）、支持向量回归（SVR）与长短期记忆网络（LSTM）。混合模型采用 SARIMAX-ANN、SARIMAX-SVR 与 SARIMAX-LSTM。结果表明，混合模型相较 SARIMAX 模型有显著改进。基于 LSTM 的模型优于其他模型；单一与混合 LSTM 模型未表现出显著性能差异。在韩国 2019 年最高峰值负荷情形下，LSTM 模型的预测能力被证明优于 SARIMAX-LSTM 模型。LSTM、SARIMAX-SVR 与 SARIMAX-LSTM 模型优于韩国当前使用的基于时间序列的预测模型。因此，韩国的峰值负荷预测性能可通过引入机器学习或混合模型得以提升。
引用
@article{arxiv.2107.06174,
title = {National-scale electricity peak load forecasting: Traditional, machine learning, or hybrid model?},
author = {Juyong Lee and Youngsang Cho},
journal= {arXiv preprint arXiv:2107.06174},
year = {2021}
}