基于深度残差网络的短期负荷预测
机器学习
2018-05-31 v1 机器学习
应用统计
摘要
本文提出一种基于深度残差网络的短期电力负荷预测模型。该模型借助不同的神经网络构建模块,能够融入领域知识与研究者对任务的理解。具体而言,我们构造了一种改进的深度残差网络以改善预测结果。此外,采用两阶段集成策略增强所提模型的泛化能力。我们还将所提模型应用于基于 Monte Carlo dropout 的概率负荷预测。使用三个公开数据集验证了所提模型的有效性。多个测试案例以及与现有模型的对比表明,所提模型能够提供准确的负荷预测结果并具有高泛化能力。
引用
@article{arxiv.1805.11956,
title = {Short-term Load Forecasting with Deep Residual Networks},
author = {Kunjin Chen and Kunlong Chen and Qin Wang and Ziyu He and Jun Hu and Jinliang He},
journal= {arXiv preprint arXiv:1805.11956},
year = {2018}
}
备注
This paper is currently accepted by IEEE Transactions on Smart Grid