基于时序融合Transformer的短期电力负荷预测：电网层级与数据源的影响
机器学习
2023-05-19 v1
摘要
近期与能源转型相关的发展给配电网带来了特殊挑战。因此，精确的负荷预测对于有效的电网管理变得愈发重要。Transformer 架构（尤其是时序融合 Transformer（TFT））等新型建模方法已成为时间序列预测中有前景的方法。迄今为止，仅有少数研究将 TFT 应用于电力负荷预测问题，且大多仅考虑单一数据集和少量协变量。因此，我们考察了 TFT 架构在不同时间尺度（日前和周前）与网络层级（电网层级和变电站层级）上用于小时级短期负荷预测的潜力。我们发现，对于整个电网的日前预测，TFT 架构并未提供比最先进的 LSTM 模型更高的预测性能。然而，结果表明，当 TFT 应用于变电站层级并随后聚合到上层电网层级时，其性能显著提升，最佳情景下的预测误差为 2.43%（MAPE）。此外，对于周前预测，TFT 相较 LSTM 方法似乎带来了显著改进（最低预测误差为 2.52%（MAPE））。我们概述了使用 TFT 方法进行负荷预测的未来研究方向，包括探索不同电网层级（如电网、变电站和户级）。
引用
@article{arxiv.2305.10559,
title = {Short-Term Electricity Load Forecasting Using the Temporal Fusion Transformer: Effect of Grid Hierarchies and Data Sources},
author = {Elena Giacomazzi and Felix Haag and Konstantin Hopf},
journal= {arXiv preprint arXiv:2305.10559},
year = {2023}
}