基于随机向量函数链接神经网络的集成深度学习用于短期负荷预测
机器学习
2022-06-14 v1 人工智能
信号处理
摘要
电力负荷预测对电力系统的规划与维护至关重要。然而，其非平稳和非线性特征给预测未来需求带来了显著困难。本文提出一种新颖的集成深度随机向量函数链接（edRVFL）网络用于电力负荷预测。隐藏层的权重被随机初始化并在训练过程中保持固定。隐藏层被堆叠以强制进行深度表示学习。随后，模型通过集成每一层的输出来生成预测。此外，我们还提出通过经验小波变换（EWT）来增强随机增强特征。原始负荷数据以行走前向（walk-forward）方式由EWT分解，在分解过程中不引入未来数据泄漏问题。最后，由EWT生成的所有子序列（包括原始数据）被输入edRVFL以进行预测。所提模型在澳大利亚能源市场运营商2020年的二十个公开可用时间序列上进行了评估。仿真结果表明，该模型在电力负荷预测任务上的三个误差指标和统计检验中，性能优于十一种预测方法。
引用
@article{arxiv.2107.14385,
title = {Random vector functional link neural network based ensemble deep learning for short-term load forecasting},
author = {Ruobin Gao and Liang Du and P. N. Suganthan and Qin Zhou and Kum Fai Yuen},
journal= {arXiv preprint arXiv:2107.14385},
year = {2022}
}