PowerMamba: 电力系统时间序列预测的深度状态空间模型与综合基准

电力部门正经历着显著的变革，由于需求的电气化日益增长、可再生能源资源的集成度提升以及新技术的出现，这些变化正在使电网更具波动性和不可预测性，难以维持可靠的运行。为了解决这些问题，需要先进的时间序列预测模型来缩小预测结果与实际结果之间的差距。本文引入一种 multivariate time series prediction model，将传统的状态空间模型与深度学习方法结合，同时捕获和预测多个时间序列的 underlying dynamics。此外，我们设计了一个时间序列处理模块，将高分辨率外部预测纳入 sequence-to-sequence prediction models，仅增加极少的模型大小且不损失准确性。我们还发布了一个跨越五年的扩展数据集，包含负荷、电价、辅助服务价格以及可再生能源发电数据。为补充该数据集，我们提供了一个开放式工具箱，包括我们提出的模型、数据集本身以及几种最先进的 prediction model， 从而为评估先进机器学习方法提供统一框架。我们的发现表明，所提出的模型在各种 prediction tasks 中均优于现有模型，通过平均提高 7% 的 prediction error，同时将模型参数减少 43%。