基于多源特征的短期电力负荷预测中主导特征的揭示
机器学习
2021-03-24 v1
摘要
受数据可用性限制，传统电力负荷预测方法更多关注负荷变化模式及温度、节假日等少数因素的影响，未能揭示负荷变化的内在机制。本文打破该限制，从天文、地理和社会三方面收集80个潜在特征，研究电力负荷变化与影响因素间的复杂关联，并据此提出一种短期电力负荷预测方法。案例研究表明，与最先进（SOTA）方法相比，所提方法将预测准确率提升了33.0%至34.7%。预测结果揭示，地理特征对提升负荷预测准确率影响最为显著，其中温度为特征。天文特征的影响比社会特征更显著，且与太阳相关的特征发挥重要作用，而这些在以往研究中明显被忽视。周六和周一是最重要的社会特征。温度、太阳天顶角、民用晨昏蒙影时长以及滞后的晴空全球水平辐照度与电力负荷呈V形关系，表明它们存在平衡点。全球水平辐照度与电力负荷负相关。
引用
@article{arxiv.2103.12534,
title = {Uncovering Dominant Features in Short-term Power Load Forecasting Based on Multi-source Feature},
author = {Pan Zeng and Md Fazla Elahe and Junlin Xu and Min Jin},
journal= {arXiv preprint arXiv:2103.12534},
year = {2021}
}
备注
8 pages, 10 figures