面向电力需求预测的文本知识引导数值特征发现方法
机器学习
2023-12-04 v1
摘要
电力需求预测对新电力系统与综合能源系统是一项关键且具挑战的任务。然而，由于公共特征数据库与电力需求变化理论机制不可用，已知的电力需求波动特征十分有限。近期，多模态学习方法在机器学习与 AIGC 中展现出巨大活力。本文中，我们交互两种模态数据，提出一种文本知识引导的数值特征发现（TKNFD）方法用于短期电力需求预测。TKNFD 广泛积累定性文本知识，将其扩展为候选特征类型集，收集这些特征的数值数据，最终构建四维多变量溯源数据库（4DM-STDs）。接着，TKNFD 提出一种独立于预测模型的两级定量特征识别策略，找出 43–48 个特征，并系统分析特征贡献与依赖相关性。全球两个不同区域的基准实验表明，TKNFD 发现特征的预测精度可靠地优于 SoTA 特征方案 16.84% 至 36.36% MAPE。特别地，TKNFD 揭示了诸多未知特征，尤其是未知能源与天文维度中的若干主导特征，拓展了关于电力需求波动中强随机性与非线性起源的认知。此外，4DM-STDs 可作为公共基线数据库。
引用
@article{arxiv.2312.00095,
title = {Textual-Knowledge-Guided Numerical Feature Discovery Method for Power Demand Forecasting},
author = {Zifan Ning and Min Jin},
journal= {arXiv preprint arXiv:2312.00095},
year = {2023}
}
备注
12 pages, 12 figures