SaDI:面向极端事件下电力负荷预测的自适应分解可解释框架
机器学习
2023-06-16 v1
摘要
电力负荷的准确预测在电网规划与管理中至关重要。本文中,我们解决酷热等极端事件下的电力负荷预测问题。准确预测的一个挑战是极端条件下训练样本的缺乏。此外,负荷在这些极端条件下通常剧烈变化,这需要可解释模型以做出更好决策。本文提出一种新颖的预测框架,称为自适应分解可解释框架(SaDI),其集成长期趋势、短期趋势和周期建模以捕捉不同分量中的时间特征。针对极端事件下的不平衡学习,提出了外部变量触发的损失。此外,框架中采用广义加性模型(GAM)以获得理想的可解释性。在中部地区电力负荷和建筑公共电能表的实验表明,所提 SaDI 框架在极端事件预测上以日均归一化 RMSE 计相较当前最先进算法平均提升 22.14%。代码、公共数据集和附录见:https://doi.org/10.24433/CO.9696980.v1 。
引用
@article{arxiv.2306.08299,
title = {SaDI: A Self-adaptive Decomposed Interpretable Framework for Electric Load Forecasting under Extreme Events},
author = {Hengbo Liu and Ziqing Ma and Linxiao Yang and Tian Zhou and Rui Xia and Yi Wang and Qingsong Wen and Liang Sun},
journal= {arXiv preprint arXiv:2306.08299},
year = {2023}
}