基于规则的三重季节性方法对异常负荷进行短期预测

已有大量方法被提出用于正常日的负荷预测。然而，异常负荷的建模在研究文献中常被忽视。异常负荷状况发生于公共假日等特殊日子，由于其发生频率低且与正常负荷显著偏离，构成了巨大的建模挑战。为克服这些局限，我们采用了一种基于规则的方法，该方法允许将关于负荷曲线的先验专家知识纳入统计模型中。我们使用了三重季节性 Holt-Winters-Taylor (HWT) 指数平滑、三重季节性自回归移动平均 (ARMA)、人工神经网络 (ANNs) 以及基于三重季节性周内奇异值分解 (SVD) 的指数平滑。这些方法已被证明在正常日负荷建模中具有竞争力。本文的方法论贡献在于展示了如何将这些方法与基于规则的方法结合使用，以适应特殊日子的负荷建模。所提出的基于规则的方法能够在统一框架下对正常负荷和异常负荷进行建模。利用英国九年的半小时负荷数据，我们评估了从半小时到提前一天的预测时长的点预测。两种基于规则方法的组合产生了最准确的预测。