基于时间池化深度循环神经网络的短期负荷预测
机器学习
2021-09-28 v1 计算机视觉与模式识别
摘要
可再生能源及电动汽车等新兴负荷接入智能电网，给配电系统管理带来了更多不确定性。需求侧管理（DSM）是降低不确定性的方法之一。非侵入式负荷监测（NILM）等应用可支持需求侧管理，但它们需要基于高分辨率数据的精确预测。当涉及单个住宅家庭等单一负荷时，由于其高波动性，这颇具挑战。本文回顾了部分现有基于深度学习的方法，并提出我们使用时间池化深度循环神经网络的解决方案。所提方法利用时间池化策略增强数据，能更有效地克服过拟合问题及模型对数据的不确定性。仿真与实现结果表明，我们的方法在RMSE和MAE指标上优于现有算法。
引用
@article{arxiv.2109.12498,
title = {Short-Term Load Forecasting Using Time Pooling Deep Recurrent Neural Network},
author = {Elahe Khoshbakhti Vaygan and Roozbeh Rajabi and Abouzar Estebsari},
journal= {arXiv preprint arXiv:2109.12498},
year = {2021}
}
备注
5 pages, conference