Load Forecasting of Supermarket Refrigeration
本文提出了一种预测模型的超市制冷电力负荷的研究。用于建立模型的数据包括负荷测量、当地气候测量和天气预报。负载测量来自位于丹麦村庄的超市。每小时的制冷电力负荷预测为接下来的42小时。预测模型为自适应线性时间序列模型。该模式有两种制度;一个用于开放时间，一个用于关闭时间，这通过状态转换模型来建模，并且测试用于预测状态的两种不同方法。天气和负荷之间的动态关系由简单的传递函数建模，非线性用样条函数描述。结果进行了彻底的评估，它表明，样条函数是适合于处理的非线性关系，并在应用自回归噪声模型的一步前进残差不包含进一步的重要信息。
2014-06-23 stat.AP
Probabilistic Forecasting of Regional Net-load with Conditional Extremes and Gridded NWP
嵌入式可再生能源的日益普及使得预测净负荷，消耗较少的嵌入式发电成为一个重大且日益增长的挑战。在这里，提出了一个框架，用于产生净负荷的概率预测，特别注意预测分布的尾部，这是管理与低概率事件相关的风险所需的。根据定义，尾部只有少量数据可用，因此需要特别注意预测模型的估计和预测评估。我们提出了一个解决方案的基础上，最好的同类负荷预测方法，适用于净负荷，和模型的尾部预测分布与广义帕累托分布，允许其参数变化平稳的函数的协变量。由此产生的预测被证明是校准和尖锐比无条件的尾部分布。在基于储备设置的用例启发评估练习中，条件尾部被证明可以减少管理给定风险所需的储备总量。此外，它们还确定了其他方法无法捕捉的高风险时期。因此，所提出的方法使用户能够既降低成本又避免过度风险。
2021-06-25 stat.AP
Long-Term Load Forecasting Considering Volatility Using Multiplicative Error Model
长期负荷预测在电网发展和扩展规划方面对公用事业和规划者起着至关重要的作用。过高估计长期电力负荷将导致大量投资浪费在建设过剩的电力设施上，而低估未来负荷将导致发电量不足和需求无法满足。本文首次提出了使用乘性误差模型（MEM）进行长期负荷预测的方法。MEM起源于自回归条件异方差模型的结构，其中条件方差是动态参数化的，它与时间序列的新息项相乘地相互作用。本研究使用了从美国区域输电运营商获得的历史负荷数据和1993-2016年的衰退数据。在2008年经济大衰退期间，样本外预测结果和方向准确性证明了考虑波动性的优越性。为了考虑未来的波动性，对MEM模型进行了回测。两个性能指标用于评估拟议的模型是平均绝对百分比误差（样本内模型拟合和样本外预测）和方向准确性。
2018-07-24 stat.AP
Short-term Forecasting of Anomalous Load Using Rule-based Triple Seasonal Methods
人们已经提出了许多方法来预测正常日的负荷。然而，在研究文献中，异常负荷的建模往往被忽视。在特殊的日子，如公共假日，异常负荷条件下，由于其不经常发生和显着偏离正常负荷，提出了相当大的建模挑战。为了克服这些局限性，我们采用了基于规则的方法，它允许将事先的专家知识的负载配置文件到统计模型。我们使用三重季节霍尔特-温特斯-泰勒（HWT）指数平滑，三重季节自回归移动平均（ARMA），人工神经网络（ANN），和三重季节周内奇异值分解（SVD）为基础的指数平滑。这些方法已被证明是有竞争力的建模负荷正常的日子。本文的方法的贡献是展示如何这些方法可以适应模型负荷的特殊日子，结合使用时，以规则为基础的方法。所提出的基于规则的方法是能够在一个统一的框架正常和异常负荷建模。使用九年的半小时负荷为英国，我们评估点预测，从一个半小时到一天的提前期。两种基于规则的方法的组合产生了最准确的预测。
2014-09-06 stat.AP
Econometrics of Machine Learning Methods in Economic Forecasting
本文系统综述机器学习用于经济预测的最新进展，梳理即时预测、文本与张量数据、高维因果检验、交叉验证及经济损失分类等主题。
2023-08-21 econ.EM stat.AP stat.ME
Lasso estimation for GEFCom2014 probabilistic electric load forecasting
我们提出了一种基于套索（最小绝对收缩和选择算子）估计的概率负荷预测方法。所考虑的模型可以看作是一个二元时变门限自回归（AR）过程的小时电力负荷和温度。联合建模方法直接将温度效应，并反映每日，每周和每年的季节性模式和公众假期的影响。我们提供了两个实证研究，一个基于2014年全球能源预测竞赛（GEFCom 2014-L）的概率负荷预测轨道，另一个基于最近的另一个概率负荷预测竞赛，该竞赛遵循类似于GEFCom 2014-L的设置。在这两个实证案例研究中，所提出的方法优于GEFCom 2014-L的前八个条目中的两个基于多重线性回归的基准。
2016-03-04 stat.AP stat.ML
Short Term Electricity Load Forecasting on Varying Levels of Aggregation
我们提出了一个简单的经验标度法，描述了在不同层次的聚合负荷预测精度。该模型是合理的基础上一个简单的分解个人消费模式。我们发现，对于不同的预测方法和视野，聚集更多的客户提高了相对预测性能的特定点。超过该点，就不能获得更多的相对性能的改善。
2017-08-30 cs.SI stat.AP
Adaptive Multi-task Learning for Probabilistic Load Forecasting
BCAM-Basque Center for Applied Mathematics（BCAM-巴斯克应用数学中心）；Zenit Solar Tech；Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT））；IKERBASQUE-Basque Foundation for Science（IKERBASQUE-巴斯克科学基金会）
本文提出了一种自适应多任务学习方法，用于提升概率负荷预测的准确性与不确定性评估能力。
2026-01-17 cs.LG stat.AP
Neural Forecasting of the Italian Sovereign Bond Market with Economic News
European Commission, Joint Research Centre（欧盟委员会联合研究中心）；Università Ca’ Foscari Venezia（威尼斯大学）
在本文中，我们采用神经网络框架内的经济新闻预测意大利10年期利率利差。我们使用一个大型的开源数据库，称为全球事件、语言和语气数据库，以提取与债券市场动态相关的主题和情感新闻内容。我们将这些信息部署在具有自回归递归网络（DeepAR）的概率预测框架内。我们的研究结果表明，基于长短期记忆细胞的深度学习网络优于经典的机器学习技术，并提供了一个预测性能，超过了单独使用传统的利率决定因素所获得的预测性能。
2022-03-11 cs.AI cs.LG stat.AP
Probabilistic Forecasting for Daily Electricity Loads and Quantiles for Curve-to-Curve Regression
电力负荷曲线的概率预测对于在日益波动和竞争激烈的能源市场中进行有效的调度和决策至关重要。我们提出了一种新的方法来构建概率预测曲线（PPC），这导致了一个自然的和新的分位数的定义曲线到曲线线性回归的上下文中。PPC有三种类型：预测集、预测带和预测分位数，所有这些都是在预先指定的名义概率水平上定义的。在仿真研究中，PPC在多种数据生成机制下都能获得较好的覆盖概率。在法国日负荷曲线的一天前预测中，PPC在预测精度、覆盖率和预测带平均长度方面优于几种最先进的预测方法。预测分位数曲线提供了有见地的信息，这是高度相关的电力供应管理中的对冲风险。
2020-11-11 stat.AP stat.ME
Energy load forecasting using Terna public data: a free lunch multi-task combination approach
针对Terna发布的意大利分区15分钟负荷预测，提出快速简便的堆叠回归多任务组合方法，结合Terna预测与随机游走朴素预测，在Terna发布前日负荷数据和当日预测后可立即生成更准确的预测结果。
2025-02-17 stat.AP stat.ME
Interpretable modeling for short- and medium-term electricity load forecasting
我们考虑的问题，短期和中期的电力负荷预测，通过使用过去的负荷和每日的天气预报信息。传统上，许多研究人员直接应用回归分析。然而，解释天气对这些负荷的影响是困难的与现有的方法。在这项研究中，我们建立了一个统计模型，解决这个解释问题。一个基展开的变系数模式被用来捕捉天气效应的非线性结构。当回归系数为非负时，这种方法产生可解释的模型。为了估计非负回归系数，我们采用非负最小二乘法。三个实际数据分析表明，我们提出的统计建模的实用性。其中两个证明了我们所提出的方法具有良好的预测精度和可解释性。在第三个例子中，我们调查了COVID-19对电力负荷的影响。这种解释将有助于制定节能干预和需求响应战略。
2020-07-02 stat.AP stat.ME
Forecasting Short-term load using Econometrics time series model with T-student Distribution
随着现代电力系统的显著进步，机组组合规划和电力调度成为研究者关注的两大问题。短期负荷预测在电力系统的规划和调度中起着重要的作用。近年来，人们在短期负荷预测方面做了大量的工作。具有用于预测负荷的准确模型可以有利于优化电源和保护能量。为了提高负荷预测的准确性，采用了人工智能、统计模型等多种模型。在统计模型中，时间序列模型表现出了很好的性能。本文将自回归积分滑动平均（SARIMA）-广义自回归条件异方差（GARCH）模型作为描述具有T-学生分布的时间序列的条件均值和波动性的有力工具，用于短期电力负荷预测。并与正态分布的ARIMA模型进行了比较。最后，所提出的方法的有效性进行了验证，应用实际的电力负荷数据从得克萨斯州电力可靠性委员会（ERCOT）。关键词：电力负荷，预测，计量经济学时间序列预测，SARIMA
2020-09-28 cs.SY eess.SY q-fin.ST
Bayesian Forecasting in Economics and Finance: A Modern Review
本综述系统回顾了贝叶斯统计范式在经济学与金融学概率预测中的应用，阐述了如何通过积分量化未知量不确定性，并介绍了现代贝叶斯计算方法及实施细节。
2023-07-29 econ.EM stat.AP stat.ME
Adaptive Probabilistic Forecasting of Electricity (Net-)Load
本文提出基于 Kalman filter、残差分位数回归与在线专家聚合的自适应概率电力负荷预测方法，并在英国净负荷和美国七城需求数据上验证其显著提升点预测与概率预测性能。
2023-04-24 stat.AP stat.ME stat.ML
Variable Selection in Macroeconomic Forecasting with Many Predictors
在数据丰富的环境下，利用多个经济预测因子对少数关键变量进行预测已成为计量经济学的新趋势。常用的方法是因子增广法（FA）。在本文中，我们追求另一个方向，变量选择（VS）的方法，处理高维预测。VS是统计学和计算机科学中的一个活跃话题。然而，它在经济学中没有像FA那样受到重视。本文介绍了几种最前沿的经济预测VS方法，包括：（1）经典贪婪算法;（2）l1正则化算法;（3）稀疏化梯度下降算法;（4）元启发式算法。通过模拟实验比较了不同情景下的变量选择精度和预测性能。在综述的方法中，称为顺序蒙特卡罗算法的元启发式算法表现最好。令人惊讶的是，经典的前向选择与它相当，并且比其他更复杂的算法更好。此外，我们将这些VS方法应用于经济预测，并与流行的FA方法进行比较。结果表明，对于就业率和CPI通胀，一些VS方法可以取得相当大的改善FA，并选择的预测因子可以很好地解释经济理论。
2020-07-20 econ.EM stat.AP
Short-term Load Forecasting with Deep Residual Networks
Tsinghua University（清华大学）；Beijing Jiaotong University（北京交通大学）；ETH Zürich（苏黎世联邦理工学院）；University of Southern California（南加州大学）
提出了一种基于深度残差网络的短期电力负荷预测模型。该模型能够通过不同的神经网络构建模块来整合领域知识和研究人员对任务的理解。具体而言，一个修改后的深度残差网络制定，以改善预测结果。此外，一个两阶段的集成策略被用来提高所提出的模型的泛化能力。我们还将该模型应用于概率负荷预测，使用蒙特卡罗辍学。三个公共数据集被用来证明所提出的模型的有效性。多个测试案例和与现有模型的比较表明，该模型能够提供准确的负荷预测结果，并具有较高的泛化能力。
2018-05-30 cs.LG stat.AP stat.ML
Meta-Regression Analysis of Errors in Short-Term Electricity Load Forecasting
University of Bamberg（班贝格大学）
本文通过元回归分析59项研究中421个短期电力负荷预测模型，发现电网层级、预测粒度和算法显著影响MAPE，而数据集规模等无显著影响，并指出LSTM及神经网络组合方法表现最佳。
2023-05-29 cs.LG stat.AP
Probabilistic Forecasting for Day-ahead Electricity Prices, Battery Trading Strategies and the Economic Evaluation of Predictive Accuracy
University of Duisburg-Essen（杜伊斯堡-埃森大学）；Statkraft Trading GmbH（Statkraft交易有限公司）
本文探讨了概率预测在电力价格、电池交易和预测准确性评估中的应用，指出传统量化交易策略的不足，并通过德国电力市场案例研究，揭示了预测模型评估的挑战与改进方向。
2026-04-21 econ.EM q-fin.PM q-fin.ST
Mortality Forecasting using Factor Models: Time-varying or Time-invariant Factor Loadings?
许多现有的死亡率模型遵循经典因子模型的框架，如Lee-Carter模型及其变体。因子模型中的潜在公共因子被定义为与时间相关的死亡率指数（如Lee-Carter模型中的$κ_t$）。因子载荷捕捉年龄变量和潜在公共因子（例如Lee-Carter模型中的$β_x$）之间的线性关系，在经典框架中假设为时不变的。这种假设在现实中通常限制性太强，因为死亡率数据集通常跨越很长一段时间。某些疾病的医疗改善、环境变化和技术进步等驱动力可能会显著影响不同变量之间的关系。在本文中，我们首先开发了一个因素模型与时变因素负荷（时变因素模型）作为一个扩展的经典因素模型的死亡率建模。针对时变因子模型，提出了两种外推因子负荷的预测方法：局部回归法和朴素法。通过实证数据分析，我们发现新的模型能够捕捉到时变因素负荷的经验特征，提高对不同时间段和不同国家的死亡率预测。此外，我们提出了一种新的方法，基于变点分析来估计短期和长期预测，这是有利于本地线性回归和天真的方法，分别之间的最佳“边界”。此外，仿真研究提供了各种情况下的时变因子模型的性能。
2021-02-03 stat.AP stat.ME
Clustering Enabled Few-Shot Load Forecasting
The Chinese University of Hongkong, Shenzhen（香港中文大学（深圳））
虽然先进的机器学习算法在负荷预测中是有效的，但它们通常遭受低数据利用率，因此其优越的性能依赖于大量的数据集。这促使我们设计具有改进的数据利用率的机器学习算法。具体来说，我们考虑的负载预测系统中的一个新的用户，通过观察只有几个镜头（数据点）的能源消耗。这项任务是具有挑战性的，因为有限的样本是不足以利用的时间特性，必不可少的负荷预测。然而，我们注意到，有没有太多的时间特性的住宅负荷，由于有限的种类，人类的生活方式。因此，我们建议利用现有用户的历史负载配置文件数据进行有效的聚类，这减轻了有限的样本带来的挑战。具体而言，我们首先设计了一个特征提取聚类方法对历史数据进行分类。然后，继承聚类结果的先验知识，我们提出了一个两阶段的长短期记忆（LSTM）模型进行新用户的负荷预测。所提出的方法优于传统的LSTM模型，特别是当训练样本大小未能覆盖整个周期时（即，24小时内完成任务）。在两个真实数据集和一个合成数据集上的大量案例研究验证了该方法的有效性和效率。
2022-02-16 cs.LG eess.SP stat.AP
Advanced Statistical Learning on Short Term Load Process Forecasting
短期负荷预测是电力用户进行有效调度、优化运行交易和决策的必要手段。现代有效的机器学习方法被用来管理复杂的结构化大数据集，这些数据集具有非线性的时间依赖结构。我们提出了不同的统计非线性模型来管理硬类型数据集的这些挑战，并预测15分钟的频率电力负荷提前2天。我们表明，应用于化工生产设施生产线的长短期记忆（LSTM）和门控递归单元（GRU）模型在样本外预测准确性方面优于其他几个预测模型，通过Diebold-Mariano（DM）测试，采用几个指标。预测信息是电力用户风险管理和生产管理的基础。
2021-10-19 stat.AP stat.CO stat.ML
Construction of an informative hierarchical prior for a small sample with the help of historical data and application to electricity load forecasting
我们感兴趣的是在一个短的数据集上的参数模型的估计和预测，预计它会过拟合和表现不佳。为了克服缺乏数据（相对于模型的维度），我们提出了一个信息层次贝叶斯先验的基础上，另一个较长的数据集，这是假设共享一些相似之处，与原始的，短的数据集的建设。我们说明了我们的先验对来自三个标准模型的模拟数据集的性能。然后，我们将该方法应用于实际数据集上的电力负荷预测的工作模型，在那里它导致预测质量的大幅提高。
2014-03-25 math.ST stat.AP stat.TH
Forecasting Daily Primary Three-Hour Net Load Ramps in the CAISO System
Technical University of Berlin（柏林工业大学）
可变能源的不断深入渗透给系统运营商（SO）带来了前所未有的挑战。一个值得特别注意的问题是急剧的净负荷斜坡，这要求SO拥有灵活的能力，以便随时保持供需平衡。在明智地采购和部署灵活的能力，一个工具，预测净负荷斜坡可能会有很大的帮助SO。为此，我们提出了一种方法来预测的幅度和开始时间的每日主要的三小时净负荷坡道。我们进行了广泛的分析，以确定影响净负荷的因素，并利用所确定的因素来开发一种利用长短期记忆模型的预测方法。我们证明了所提出的方法的有效性CAISO系统使用比较评估与选定的基准的基础上，各种评估指标。
2020-12-13 cs.LG eess.SP stat.AP
Spatial Weather, Socio-Economic and Political Risks in Probabilistic Load Forecasting
本文提出基于GAM的可解释中期概率小时负荷预测模型，纳入空间天气及跨国社会经济与政治风险，揭示极端天气下电采暖依赖国家的脆弱性。
2024-12-04 cs.CE econ.GN q-fin.EC
Forecasting with Economic News
Joint Research Centre, European Commission（欧盟委员会联合研究中心）；Zicklin School of Business, Baruch College（巴鲁克学院齐克林商学院）
本文的目的是评估信息内容的情绪提取新闻文章的经济状况。我们提出了一个细粒度的基于方面的情感分析，它有两个主要特点：1）我们只考虑文章中的文本，这是语义上依赖于一个术语的兴趣（方面为基础），2）分配一个情感评分的基础上，我们开发的应用程序在经济和金融（细粒度）的字典的每个单词。我们的数据集包括六家大型美国报纸，总计超过660万篇文章和42亿字。我们的研究结果表明，经济情绪的几个措施密切跟踪商业周期波动，他们是四个主要的宏观经济变量的相关预测。我们发现，当情绪与宏观经济因素一起考虑时，预测有显着改善。此外，我们还发现，情绪的重要性，以解释在几个宏观经济变量的概率分布的尾部。
2022-03-29 cs.AI cs.CE cs.CL
Short-Term Density Forecasting of Low-Voltage Load using Bernstein-Polynomial Normalizing Flows
HTWG Konstanz - University of Applied Sciences（康斯坦茨应用科学大学HTWG）；TU Berlin（柏林工业大学）；Birds on Mars GmbH（火星上的鸟有限公司）；University of Zurich（苏黎世大学）；Zurich University of Applied Sciences（苏黎世应用科学大学）；Bosch.IO GmbH（博世物联网有限公司）
针对低压负荷预测波动性大、传统点估计难以体现不确定性的问题，提出基于Bernstein多项式归一化流的短期密度预测方法，经363个智能电表用户验证，效果优于多种基线方法。
2023-06-15 cs.LG stat.AP stat.ME
On particle filters applied to electricity load forecasting
我们感兴趣的是在动态模型的贝叶斯框架内的电力负荷的在线预测。我们提供了一个审查的序贯蒙特卡罗方法，并提供了计算所需的推导所谓的粒子过滤器。我们还讨论了从他们的使用所产生的实际问题，和一些在文献中提出的变种，以处理它们，尽可能提供详细的算法，以方便实施。我们提出了一个额外的步骤，以帮助使基本的粒子滤波器更强大的离群观测。最后，我们使用这样的粒子滤波器估计的状态空间模型，其中包括外生变量，以预测电力负荷的客户的法国电力公司法国电力公司，并讨论所获得的各种结果。
2013-04-15 math.ST stat.AP stat.TH
Frugal day-ahead forecasting of multiple local electricity loads by aggregating adaptive models
Électricité de France R&D（法国电力公司研发部）；Viking Conseil（维京咨询公司）
我们专注于日前的电力负荷预测的变电站的配电网在法国，因此，我们的问题在于一个单一的消费和稳定的全国总需求之间的不稳定性。此外，我们有兴趣预测一千多个变电站的负荷，因此，我们是在预测多个时间序列的背景下。为此，我们依赖于一种自适应方法，在全国范围内提供了出色的结果;这个想法是将广义加性模型与状态空间表示相结合。然而，这种方法的扩展到超过一千个时间序列的预测提出了一个计算问题。我们解决它通过开发一个节俭的变体，减少估计的参数的数量，我们估计的预测模型只有少数时间序列，并实现迁移学习依靠专家的聚合。它减少了计算需求及其相关排放。我们建立了几个变体，对应于不同级别的参数传递，我们寻找准确性和节俭之间的最佳权衡。与最先进的单个模型相比，所选方法实现了具有竞争力的结果。最后，我们强调了模型的可解释性，这对业务应用程序很重要。
2023-02-16 cs.LG stat.AP stat.ME
The value of forecasts: Quantifying the economic gains of accurate quarter-hourly electricity price forecasts
我们提出了一个多变量弹性网络回归预测模型，德国每季度电力现货市场。虽然文献是不同的一天前的预测方法，无论是日内连续和日内呼叫拍卖价格没有得到深入研究，明确的重点是预测能力。除了电价预测外，我们还检查早盘（DA）EXAA价格对盘中预测的影响。本文的另一个新颖之处是对经济效益的补充讨论。精确的估计如果不能被利用，就毫无价值。我们根据我们的预测方案详细阐述可能的交易决策，并分析其货币影响。我们发现，即使是简单的电力交易策略，可以导致实质性的经济影响，如果结合一个体面的预测技术。
2018-11-21 econ.EM q-fin.PM q-fin.RM
Efficient mid-term forecasting of hourly electricity load using generalized additive models
University of Duisburg-Essen（杜伊斯堡-埃森大学）
针对中期每小时电力负荷预测的挑战，提出一种基于可解释P-splines构建并带有自回归后处理的广义可加模型（GAMs），在24国9年数据上验证其精度优于现有方法且计算高效，具备完全可解释性。
2025-02-27 cs.LG econ.GN q-fin.EC
