用于近周期系统预测与分析的随机强迫集成动态模态分解
物理与社会
2021-07-13 v2 机器学习
摘要
时间序列预测在几乎所有科学学科中仍是一项核心挑战。我们提出了一种新颖的负荷预测方法，其中观测动力学使用时间延迟坐标下的动态模态分解（DMD）建模为受迫线性系统。该方法的核心见解在于：电网负荷如同复杂现实世界系统中的许多观测变量一样，具有“近周期”特征，即连续的傅里叶谱被主导峰值所打断，这些峰值捕捉了动力学中规律的（如每日或每周）重现。所提出的预测方法利用这一性质：（i）回归到一个确定性线性模型，其特征谱映射到这些峰值；（ii）同时学习一个随机高斯过程回归（GPR）过程来驱动该系统。我们的预测算法与不使用额外解释变量的最先进预测技术进行了比较，结果表明其产生了更优的性能。此外，其对线性内禀动力学的利用在可解释性和简洁性方面提供了若干理想性质。结果展示了一个使用电网负荷数据的测试用例。负荷预测是电力系统工程中的一项基本挑战，对实时控制、定价、维护和安全性决策具有重大影响。
引用
@article{arxiv.2010.04248,
title = {Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems},
author = {Daniel Dylewsky and David Barajas-Solano and Tong Ma and Alexandre M. Tartakovsky and J. Nathan Kutz},
journal= {arXiv preprint arXiv:2010.04248},
year = {2021}
}