基于循环神经网络的 G-20 成员电力负荷预测
机器学习
2020-10-27 v1 信号处理
摘要
针对负荷需求预测实际用电量，对各电厂式发电站而言始终是一项艰巨任务。由于电站接收端电力需求的不确定性引发诸多挑战，例如：发电与接收端电站性能参数下降、收益减少、增加公用事业预测企业未来能源需求的困境等。鉴于这些问题，接收端电站负荷的精确预测是建立供需链完美平衡的关键参数。本文利用循环神经网络结合滑动窗口方法进行数据生成，对 G-20 成员的负荷进行了预测。实验中，我们使用 LSTM 取得了 16.2193 TWh 的平均绝对测试误差。
引用
@article{arxiv.2010.12934,
title = {Recurrent Neural Based Electricity Load Forecasting of G-20 Members},
author = {Jaymin Suhagiya and Deep Raval and Siddhi Vinayak Pandey and Jeet Patel and Ayushi Gupta and Akshay Srivastava},
journal= {arXiv preprint arXiv:2010.12934},
year = {2020}
}
备注
9 Pages, 28 Figures