用于日前电力需求预测的平滑 Bernstein 在线聚合方法
机器学习
2022-03-28 v1 计算工程、金融与科学
系统与控制
系统与控制
应用统计
机器学习
摘要
我们提出了 IEEE DataPort 日前电力需求预测竞赛（后 COVID 范式）的获胜方法。该日前负荷预测方法基于多个点预测模型的在线预测组合。它包含四个步骤：i) 数据清洗与预处理，ii) 节假日调整流程，iii) 单个预测模型的训练，iv) 通过平滑 Bernstein 在线聚合（BOA）进行预测组合。该方法灵活，可快速适应 COVID-19 停摆期间及之后出现的新能源系统状况。单个预测模型池涵盖从相当简单的时间序列模型到广义加性模型（GAMs）和通过 lasso 估计的高维线性模型等复杂模型。它们高效地纳入了自回归、日历和天气效应。所有步骤都包含新概念，促成了所提方法的优异预测性能。这一点尤其体现在节假日调整流程和完全自适应的平滑 BOA 方法上。
引用
@article{arxiv.2107.06268,
title = {Smoothed Bernstein Online Aggregation for Day-Ahead Electricity Demand Forecasting},
author = {Florian Ziel},
journal= {arXiv preprint arXiv:2107.06268},
year = {2022}
}