基于机器学习的电网CO2排放强度短期预测
信号处理
2020-03-13 v1 机器学习
机器学习
摘要
开发了一种机器学习算法，用于预测丹麦竞价区DK2电力电网中的CO2排放强度，区分平均排放与边际排放。分析基于由大量(473个)解释变量（如选自相邻区域的电力生产、需求、进口、天气状况等）组成的数据集。使用LASSO（一种带惩罚的线性回归分析）与前向特征选择算法将变量数减至50以下。创建了捕捉数据不同方面（非线性与变量耦合等）的三种线性回归模型，并通过Softmax加权平均组合为最终模型。进行交叉验证以消除偏差，并实现自回归移动平均模型(ARIMA)以校正残差，使最终模型成为带外生输入的变体(ARIMAX)。给出了两个时间视界（六小时以下及以上）对应的预测及不确定性。边际排放与DK2区内任何条件无关，表明边际发电机组位于相邻区域。所开发方法可应用于欧洲电网任意竞价区，无需该区域的详细知识。
引用
@article{arxiv.2003.05740,
title = {Short-Term Forecasting of CO2 Emission Intensity in Power Grids by Machine Learning},
author = {Kenneth Leerbeck and Peder Bacher and Rune Junker and Goran Goranović and Olivier Corradi and Razgar Ebrahimy and Anna Tveit and Henrik Madsen},
journal= {arXiv preprint arXiv:2003.05740},
year = {2020}
}
备注
15 pages and 11 figures including appendix. Submitted to Applied Energy (Elsevier)