一种适用于多样化气候的住宅电力负荷24小时超前预测模型的验证
机器学习
2025-05-02 v1
摘要
准确的家庭电能需求预测对于有效管理可持续能源社区至关重要。这些社区与能源管理系统集成，旨在优化运营成本。然而，现有的大多数预测模型具有区域特定性，并依赖于大型数据集，限制了它们在不同气候和地理区域的适用性。这些模型通常缺乏灵活性，在历史数据有限的地区可能表现不佳，导致预测不准确。本文提出了一种用于24小时超前逐时电能需求预测的全局模型，该模型旨在跨不同气候条件和数据集有效运行。该模型的效率通过来自两个不同地区的数据得到证明：具有海洋性气候的爱尔兰和具有热带气候的越南。值得注意的是，即使仅使用跨度九个月的有限数据集，该模型也能达到高精度。其鲁棒性在爱尔兰（夏季和冬季）和越南（旱季和雨季）的不同季节得到了进一步验证。所提出的模型与最先进的机器学习和深度学习方法进行了评估。仿真结果表明，该模型始终优于基准模型，展示了其无论气候条件和数据可用性如何变化，都能提供可靠全球预测的能力。这项研究强调了该模型在提高全球能源社区效率和可持续性方面的潜力。所提出的模型在完整的爱尔兰和越南数据集上分别达到了8.0%和4.0%的平均绝对百分比误差。
引用
@article{arxiv.2505.00348,
title = {Validation of a 24-hour-ahead Prediction model for a Residential Electrical Load under diverse climate},
author = {Ehtisham Asghar and Martin Hill and Ibrahim Sengor and Conor Lynch and Phan Quang An},
journal= {arXiv preprint arXiv:2505.00348},
year = {2025}
}