利用AMI数据进行短期负荷预测

准确的短期负荷预测对电力部门的高效运行至关重要。由于波动性和内在随机性更高，在细粒度上（如单个家庭的小时负荷）预测负荷具有挑战性。在聚合层级（如电网的月负荷），不确定性和波动被平均掉，因此预测负荷更为直接。本文提出一种称为基于矩阵分解的预测（\textsc{fmf}）的方法用于短期负荷预测（\textsc{stlf}）。\textsc{fmf} 仅利用消费者智能电表的 historical 数据来预测未来负荷（不使用任何非日历属性、消费者人口统计或活动模式信息等），并可应用于任何地区。\textsc{fmf} 的一个显著特征是它适用于任意用户指定粒度，无论是在时间维度（从单小时到数天）还是空间维度（从单个家庭到消费者群体）。我们在三个基准数据集上实证评估了 \textsc{fmf}，表明其在负荷预测方面显著优于最先进的方法。\textsc{fmf} 的计算复杂度也远低于已知的 \textsc{stlf} 方法，如长短期记忆神经网络、随机森林、支持向量机和回归树。