面向日前负荷预测的迁移学习：基于欧洲国家电力需求时间序列的案例研究
机器学习
2023-10-25 v1
摘要
短期负荷预测（STLF）对电网的日常运行至关重要。然而，电力需求时间序列所具有的非线性、非平稳性和随机性使得 STLF 成为一项具有挑战性的任务。已有多种预测方法被提出以改进 STLF，其中包括使用多个电力需求序列（未必包含目标序列）的数据进行训练的神经网络（NN）模型。在本研究中，我们通过考虑一组代表典型欧洲国家日前全国电力需求的 27 条时间序列，考察了这一称为迁移学习（TL）的 STLF 特殊情形的性能。我们采用一种流行且易于实现的 NN 模型，并进行聚类分析以识别序列间的相似模式并辅助 TL。在此背景下，我们构建并比较了两种包含与不包含聚类步骤的不同 TL 方法，并与典型的 NN 训练设置进行对比。我们的结果表明，TL 可以优于传统方法，尤其在考虑聚类技术时。
引用
@article{arxiv.2310.15555,
title = {Transfer learning for day-ahead load forecasting: a case study on European national electricity demand time series},
author = {Alexandros-Menelaos Tzortzis and Sotiris Pelekis and Evangelos Spiliotis and Spiros Mouzakitis and John Psarras and Dimitris Askounis},
journal= {arXiv preprint arXiv:2310.15555},
year = {2023}
}