基于极端学习机的多输入多输出能源生产与消费短期预测方法
机器学习
2026-02-27 v2 数据分析、统计与概率
摘要
提出一种新颖的能源预测方法，利用极端学习机（）进行短期能源预测。使用来自科尔西亚（法国）的六年分时数据，来自多个能源来源（太阳能、风能、水能、热能、生物能以及进口电力），我们的 approach 预测单个能源产出和总产量（包括进口，这些进口紧随能源需求，考虑损耗）。通过多输入多输出（）架构实现。为解决非平稳性和季节性变异，采用滑动窗口技术和循环时间编码，实现动态适应波动。 模型在持久性预测方法中表现显著优异，尤其是太阳能和热能，分别达到 为 和 ，（1 小时预测时限）。该模型在 5 小时内保持高精度，之后可再生能源源变得越来越不稳定。虽然 对单输入单输出（）架构仅提供轻微收益，同时相较于深度学习方法如 ，它提供闭式解且计算需求更低，适用于实时应用，包括在线学习。除了预测精度外，所提方法具有适应性，可针对各种情境和数据集进行调优，以满足本地约束，如资源可用性、电网特征和市场结构。
引用
@article{arxiv.2508.12764,
title = {Short-Term Forecasting of Energy Production and Consumption Using Extreme Learning Machine: A Comprehensive MIMO based ELM Approach},
author = {Cyril Voyant and Milan Despotovic and Luis Garcia-Gutierrez and Mohammed Asloune and Yves-Marie Saint-Drenan and Jean-Laurent Duchaud and hjuvan Antone Faggianelli and Elena Magliaro},
journal= {arXiv preprint arXiv:2508.12764},
year = {2026}
}