arXiv 2203.022492022-03-04stat.MEmath.PR

二维有限方差VAR（1）模型分量乘积的依赖结构。电力负荷预测误差成本的应用

Dependence structure for the product of bi-dimensional finite-variance VAR(1) model components. An application to the cost of electricity load prediction errors

Joanna Janczura, Andrzej Puć, Łukasz Bielak, Agnieszka Wyłomańska

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文分析了二维VAR（1）模型分量的乘积。对于引入的时间序列，我们推导了自协方差函数的一般公式，并研究了VAR（1）模型分量之间交叉依赖的不同情况下的性质。理论结果，然后说明在模拟研究的两种类型的二元分布的残差序列，即高斯和学生的t。我们还显示了一个可能的实际应用所获得的结果的基础上，从电力市场的数据。

英文摘要：

In this paper we analyze the product of bi-dimensional VAR(1) model components. For the introduced time series we derive general formulas for the autocovariance function and study its properties for different cases of cross-dependence between the VAR(1) model components. The theoretical results are then illustrated in the simulation study for two types of bivariate distributions of the residual series, namely the Gaussian and Student's t. We also show a possible practical application of the obtained results based on the data from the electricity market.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

日电力负荷概率预测及曲线回归分位数

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。

2020-11-11stat.APstat.ME

电力（净）负荷的自适应概率预测

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。

2023-04-24stat.APstat.MEstat.ML

一种可扩展的单级LSTM短期分类负荷预测模型

A Single Scalable LSTM Model for Short-Term Forecasting of Disaggregated Electricity Loads

Universidad Carlos III de Madrid（马德里卡洛斯三世大学）；UC3M-Santander Big Data Institute (IBiDat)（马德里卡洛斯三世大学-桑坦德大数据研究所（IBiDat））

全球大多数电力系统都在部署先进的计量基础设施，以收集相关的运营数据。特别是，智能电表允许以非常分散的水平和高频率跟踪电力负荷消耗。这些数据开启了开发新的预测模型的可能性，对电力系统具有潜在的积极影响。我们提出了一个通用的方法，能够处理和预测大量的智能电表时间序列。我们没有使用传统的单变量方法，而是开发了一个单一但复杂的具有长短期记忆的递归神经网络模型，该模型可以捕获个人消费模式以及不同家庭的消费。由此产生的模型可以准确地预测个人消费者的未来负荷（短期），即使这些负荷不包括在原始训练集中。这为大规模应用带来了巨大的潜力，因为一旦训练好单个网络，就可以在几乎没有计算成本的情况下获得对新消费者的准确个人预测。所提出的模型进行了测试下，一个大的数值实验，使用真实世界的数据集与数以千计的分解电力消费时间序列。此外，我们探讨了消费者的地理人口细分可能会影响模型的预测准确性。

2020-03-06cs.LGeess.SPstat.AP

状态空间模型赢得IEEE DataPort关于后COVID日前电力负荷预测的竞赛

State-Space Models Win the IEEE DataPort Competition on Post-covid Day-ahead Electricity Load Forecasting

提出了电力需求预测竞赛的获胜策略。该竞赛旨在为2020年春季开始的不稳定时期设计新的预测方法。我们依靠状态空间模型来适应标准的统计和机器学习模型。我们认为它在两个极端之间达成了正确的妥协。一方面，纯时间序列模型（如自回归模型）本质上是自适应的，但无法捕捉对外生变量的依赖性。另一方面，机器学习方法允许学习对历史数据集上的解释变量的复杂依赖性，但不能准确地预测非平稳数据。比赛的评估阶段是试错的机会，我们把重点放在最后的预测程序上。特别是，它是在同一时间，最近的算法设计，以适应状态空间模型的方差，我们目前的结果，最终版本。不过，我们还是要讨论今天的预测。

2021-10-01stat.APstat.MEstat.ML

基于聚合自适应模型的多地区电力负荷日前节俭预测

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。

2023-02-16cs.LGstat.APstat.ME

结合天气预报聚合与状态空间模型的自适应概率电力负荷预测

Combining Weather Forecast Aggregation and State-Space Models for Adaptive Probabilistic Electricity Load Forecasting

Viking Conseil；MétéoFrance（法国气象局）

本文提出一种结合多气象预报聚合与状态空间模型的自适应概率负荷预测框架，通过GAM和GAMLSS提升不确定性量化，在法国数据上显著优于单一来源方法。

2026-09-16stat.AP

更多相关论文收起更多论文

基于分位数自协方差的智能电表负荷层次聚类

Hierarchical Clustering for Smart Meter Electricity Loads based on Quantile Autocovariances

为了提高电力系统的效率和可持续性，世界上大多数国家都在住宅部门部署先进的计量基础设施，特别是家用智能电表。该技术能够以非常高的频率记录电力负荷时间序列，可以利用这些信息来开发新的聚类模型，以按照类似的消费模式对各个家庭进行分组。为此，在这项工作中，我们提出了三个层次聚类方法，允许捕捉不同的特性的时间序列。这些都是基于一组“相异性”的措施计算不同的功能：分位数自协方差，简单和偏自相关。主要优点是，它们允许在几个代表性特征中总结每个时间序列，使得它们在计算上是高效的，对离群值是鲁棒的，易于自动化，并且可扩展到数十万个智能电表系列。我们评估了每个聚类模型在现实世界的智能电表数据集与数千个半小时的时间序列的性能。结果表明，所获得的聚类如何识别相关的消费行为的家庭和捕获他们的地理人口细分的一部分。此外，我们应用监督分类程序来探索哪些特征与定义每个聚类更相关。

2019-11-08stat.APstat.MLstat.OT

用于负荷预测的自动化时空气象建模

Automated Spatio-Temporal Weather Modeling for Load Forecasting

EDF R&D（法国电力公司研发部）；Lab Paris Saclay（巴黎萨克雷实验室）；INRIA（法国国家信息与自动化研究所）；LPSM（数学与建模科学实验室）；Sorbonne Université（索邦大学）

本文提出利用深度神经网络的自动表示与时空特征提取能力，改进用于电力负荷预测的时空气象建模，并在法国国家负荷数据上验证了其优于现有最先进方法。

2024-09-23cs.AIcs.LGstat.ML

实时电价的有效建模与预测

Efficient Modeling and Forecasting of the Electricity Spot Price

可再生能源，特别是太阳能和风能的重要性日益增加，导致电价形成新的力量。因此，本文介绍了一个计量经济学模型的每小时时间序列的欧洲电力交易所（EPEX）的电价，其中包括具体功能，如可再生能源。该模型由几个复杂的和建立的方法，可以被视为一个周期性的VAR Tstrom与风力发电，太阳能发电，负载的影响时间序列。它能够映射德国电价的独特和众所周知的特征。一个有效的迭代加权套索方法用于估计。此外，它表明，几个现有的模型优于本文开发的程序。

2014-10-13econ.EMq-fin.STq-fin.TR

从点预测到多变量概率预测：日前电价预测的Schaake洗牌

From point forecasts to multivariate probabilistic forecasts: The Schaake shuffle for day-ahead electricity price forecasting

价格风险建模是能源市场经济决策的关键。除了单一价格的风险之外，多个价格的相关结构也常常是相关的。因此，我们提出了一个通用的和易于实现的方法，用于创建多变量概率预测的基础上，一天前的电价单变量点预测。虽然每个单变量点预测指的是一天中的一个24小时，但多变量预测分布对跨小时的相关性进行建模。所提出的方法是基于简单的Copula技术和一个可选的时间序列组件。我们举例说明了Lago等人（2020）最近提供的五个基准数据集的方法。此外，我们展示了一个例子，为连续电价的加权和构建现实的预测区间，例如，需要为单个负载配置文件定价。

2022-04-21econ.EMstat.AP

日电力负荷曲线的建模与预测：一种混合方法

Modelling and forecasting daily electricity load curves: a hybrid approach

我们提出了一种混合的方法建模和短期预测的电力负荷。我们的方法的两个组成部分是（i）通过将广义加法模型拟合到每周平均负荷来模拟整体趋势和季节性，以及（ii）通过曲线线性回归模拟连续每日负荷的依赖结构。对于后者，提出了一种新的方法，线性回归与曲线响应和曲线回归。所提出的方法背后的关键思想是降维的基础上的奇异值分解在希尔伯特空间，这减少了几个普通的（即标量）线性回归问题的曲线回归问题。我们说明的混合方法，使用法国电力负荷在1996年和2009年之间，我们还比较我们的方法与其他可用的模型，包括EDF的操作模型。

2016-11-25stat.ME

可解释的中短期电力负荷预测模型

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。

2020-07-02stat.APstat.ME

有限总体下曲线数据总量的条件有偏稳健估计--以电力负荷曲线为例

Conditional bias robust estimation of the total of curve data by sampling in a finite population: an illustration on electricity load curves

出于营销或电网管理的目的，电力公司现在进行了许多基于对客户组的总电力消耗曲线的分析的研究。总负荷曲线或平均负荷曲线是使用在精细时间网格上测量的单个曲线估计的，并根据一些抽样设计收集。由于用电量分布的偏态，这些样本往往包含离群曲线，这可能对通常的估计程序产生重要影响。我们介绍了几个强大的估计的总消费曲线，这是不敏感的离群曲线。这些估计是基于条件偏差方法和鲁棒函数方法。我们还推导出这些稳健估计的均方误差估计，最后，我们评估和比较爱尔兰电力数据的建议估计的性能。

2018-06-27stat.APstat.ME

递阶迁移学习及其在电力负荷预测中的应用

Hierarchical transfer learning with applications for electricity load forecasting

最近大量的不同尺度的电力消费数据带来了新的挑战，并突出表明需要新的技术来利用更精细尺度的信息，以改善更广泛尺度的预测。在这项工作中，我们利用了这种分层预测问题和多尺度迁移学习之间的相似性。我们开发了两种方法的分层迁移学习，分别基于堆叠的广义可加模型和随机森林，并使用聚集的专家。我们将这些方法应用于两个问题的电力负荷预测在全国范围内，使用智能电表数据在第一种情况下，和区域数据在第二种情况下。对于这两个用例，我们比较我们的方法的基准算法的性能，我们调查他们的行为使用变量的重要性分析。我们的研究结果表明，这两种方法的兴趣，导致显着改善的预测。

2022-11-22stat.APstat.MEstat.ML

利用复杂的调查来估计函数变量的$L_1$ -中值：应用于电力负荷曲线

Using complex surveys to estimate the $L_1$-median of a functional variable: application to electricity load curves

平均曲线被广泛用作客户用电习惯的指标。目前，在法国电力公司（EDF），类负荷分布估计使用逐点平均函数。不幸的是，众所周知，平均值对异常值的存在高度敏感，例如一个或多个消费者具有异常高的消费水平。在本文中，我们提出了一种替代的平均配置文件：$L_1$中位数配置文件，这是更强大的。当处理功能数据的大数据集（例如负载曲线）时，调查抽样方法对于估计中值曲线而避免存储整个数据是有用的。我们在这里提出估计的中位数轨迹使用几个抽样策略和估计。它们之间的比较说明了通过测试人口。我们开发了一个分层的线性化变量的基础上，大大提高了准确性的估计相比，简单随机抽样没有更换。我们还建议一个改进的估计，考虑到辅助信息。还强调了未来研究的一些潜在领域。

2012-01-04stat.APstat.MEstat.OT

一种面向长期逐时电力需求预测的稳定性驱动框架

A Stability-Driven Framework for Long-Term Hourly Electricity Demand Forecasting

本文提出一种基于t检验验证负荷稳定性并结合GDP相关性的简约方法，用于生成长期逐时电力需求预测，并在新加坡、比利时和保加利亚数据上验证了其有效性。

2025-07-20stat.APstat.ME