面向全球多步能源生产时间序列的神经网络架构搜索

动态能源部门既需要预测准确性又需要运行时效率，以满足短期能源生产预测的 operational constraints。及时且精确的预测至关重要。手动配置复杂方法——这些方法能够生成准确的全局多步预测，同时不受计算瓶颈的制约——代表着一项耗时且高风险的程序。进一步的复杂性源于能源相关数据中存在的时间动态。此外，对未见数据的 generalization 是持续部署预测技术的必然要求。为此，本研究设计了基于神经网络架构搜索(NAS)的框架，用于自动发现能够在计算效率、预测性能和 generalization power 之间取得平衡的模型，以进行全球、多步的短期能源生产时间序列预测。具体而言，我们引入仅包含高效组件的搜索空间，这些组件能够捕捉能源时间序列的独特模式。进一步，我们构建了一个新目标函数，考虑在时序上下文中的性能 generalization 以及对高维搜索空间不同区域的最大探索。在能源生产时间序列上的实验结果表明，采用 NAS 发现的轻量级模型集成在效率和准确性方面均优于 Transformer 等最先进技术以及预训练预测模型。