A Secure Federated Learning Framework for Residential Short Term Load Forecasting
Deakin University(迪肯大学);Latrobe University(乐卓博大学)
智能电表测量虽然对于准确的需求预测至关重要,但也面临着一些缺点,包括消费者隐私、数据泄露问题等。最近的文献已经探索了联邦学习(FL)作为一种有前途的隐私保护机器学习替代方案,其使得能够在不暴露用于短期负荷预测的私有原始数据的情况下对模型进行协作学习。尽管有其优点,但标准FL仍然容易受到由错误和/或恶意客户端进行的称为拜占庭攻击的棘手网络威胁的影响。因此,为了提高联邦短期负荷预测对拜占庭威胁的鲁棒性,我们开发了一个最先进的差分私有安全FL的框架,确保个人智能电表的数据的隐私,同时保护FL模型和架构的安全性。我们提出的框架通过符号随机梯度下降(SignSGD)算法利用梯度量化的思想,其中客户端仅在本地模型训练后将梯度的“符号”传输到控制中心。正如我们通过涉及基准神经网络与一组拜占庭攻击模型的实验所强调的那样,我们提出的方法非常有效地减轻了这种威胁,从而优于传统的Fed-SGD模型。
2023-03-28 cs.AI cs.CR cs.DC
Resilient Load Forecasting under Climate Change: Adaptive Conditional Neural Processes for Few-Shot Extreme Load Forecasting
本文提出AdaCNP模型,通过自适应条件神经过程实现少样本极端负荷预测,提升电力系统在极端天气下的预测鲁棒性。
2026-02-04 cs.LG cs.SY eess.SY
Probabilistic electric load forecasting through Bayesian Mixture Density Networks
CNR, Institute of Intelligent Industrial Technologies and Systems for Advanced Manufacturing(意大利国家研究委员会 智能工业技术与先进制造系统研究所);Politecnico di Milano(米兰理工大学)
概率负荷预测(PLF)是高效管理智能电网所需的扩展工具链中的关键组件。神经网络被广泛认为可以实现更好的预测性能,支持目标和条件变量集之间复杂关系的高度灵活的映射。然而,从这种黑箱模型中获得全面的预测不确定性仍然是一个具有挑战性和未解决的问题。在这项工作中,我们提出了一种新的PLF方法,框架贝叶斯混合密度网络。任意和认知的不确定性来源都包含在模型预测中,根据输入特征,在端到端的训练框架内推断一般条件密度。为了实现可靠的和计算可扩展的后验分布估计,均场变分推理和深度集成集成。家庭短期负荷预测任务的实验已经进行,所提出的方法,以实现在不同的操作条件下的鲁棒性能的能力。
2021-01-11 cs.LG eess.SP
Availability Adversarial Attack and Countermeasures for Deep Learning-based Load Forecasting
Imperial College London(伦敦帝国学院)
电力负荷预测是电力系统规划和运行的基础。最近,深度学习的进步使得预测更加准确。然而,深度神经网络容易受到对抗攻击。虽然大多数文献都集中在基于完整性的攻击,本文提出了基于可用性的对抗攻击,它可以更容易地实现的攻击者。对于每个预测实例,通过人工神经网络的混合整数重构优化求解可用攻击位置。为了解决这种攻击,提出了一种对抗性训练算法。在仿真中,一个现实的负载预测数据集被认为是和攻击性能进行比较,基于完整性的攻击。同时,对抗性训练算法显着提高了对可用性攻击的鲁棒性。所有代码都可以在https://github.com/xuwkk/AAA_Load_Forecast上找到。
2023-01-04 cs.CR cs.LG cs.SY
Leveraging Hypernetworks and Learnable Kernels for Consumer Energy Forecasting Across Diverse Consumer Types
The University of Western Ontario(西安大略大学)
本文提出HyperEnergy,利用超网络预测LSTM参数并结合可学习自适应核,以提升多样消费者类型下的能源预测性能,并在多种住宅场景中一致优于LSTM、AttentionLSTM和transformer等10种方法。
2025-02-07 cs.AI cs.LG
Short-Term Power Demand Forecasting for Diverse Consumer Types to Enhance Grid Planning and Synchronisation
本文通过客户聚类区分工业、商业和居民消费者,并结合哥白尼地球观测天气数据与特征选择,提出在短期和超短期负荷预测中优于简单模型的新型预测方法,以提升电网稳定性。
2025-06-04 cs.LG
Privacy Preserving Demand Forecasting to Encourage Consumer Acceptance of Smart Energy Meters
Keele University(基尔大学)
在这份提案文件中,我们强调了隐私保护能源需求预测的必要性,以减轻消费者对智能电表安装的主要担忧。高分辨率智能电表数据可以暴露消费者家庭的许多隐私方面,例如占用率,习惯和个人电器使用情况。然而,智能计量基础设施有可能通过提高运营效率来大幅减少能源部门的碳排放。我们提出了一种分布式机器学习设置称为联邦学习的应用程序,用于各种规模的能源需求预测,使负荷预测成为可能,同时保留消费者的原始能源消耗数据的隐私。
2020-12-14 cs.CY cs.LG
A Global Modeling Approach for Load Forecasting in Distribution Networks
高效的负荷预测是必要的,以确保更好的可观察性在配电网络,而这样的预测是可能的智能电表安装数量的增加。由于配电网包括大量不同的负载在不同的聚合水平,如个人消费者,Transformer站和馈线负载,这是不切实际的开发单独的(或所谓的本地)预测模型为每个负载分开。此外,这样的局部模型忽略了可能由于其空间接近性和配电网络的特性而存在的不同负载之间的强依赖性。为了解决这些问题,本文提出了一种基于深度学习的全局建模方法,用于有效预测配电网中的大量负荷。通过这种方式,可以大大减少训练大量局部预测模型的计算负担,并且可以利用不同负荷之间共享的跨系列信息。此外,一个无监督的本地化机制和最佳的集成构建策略也提出了本地化/个性化的预测模型,以不同的负荷组,以进一步提高预测精度。在真实的智能电表数据上进行了全面的实验,以证明所提出的方法相比竞争方法的优越性。
2022-04-01 cs.AI cs.LG
Time-series surrogates from energy consumers generated by machine learning approaches for long-term forecasting scenarios
本研究针对个体能源消费长期预测问题,深入比较了 WGAN、DDPM、HMM 和 MABF 四种数据驱动方法生成高保真合成时间序列数据的能力,为状态估计和电网规划等任务提供了方法选择依据并保护了用户隐私。
2025-06-25 cs.AI cs.LG
Kolmogorov-Arnold Recurrent Network for Short Term Load Forecasting Across Diverse Consumers
Western University(西安大略大学)
针对传统RNN类负荷预测模型难捕捉能耗突变、适用用户类型有限的问题,提出结合Kolmogorov-Arnold网络与RNN的KARN模型,通过可学习时序样条与边激活提升非线性建模能力,在多类真实用户数据集上预测准确率优于传统RNN、LSTM及GRU。
2025-01-12 cs.AI cs.LG eess.SP
Water Demand Forecasting of District Metered Areas through Learned Consumer Representations
Pattern Recognition Lab, Friedrich-Alexander-University Erlangen-Nurnberg, Germany(模式识别实验室,弗赖堡-埃尔朗根大学)
提出一种结合无监督对比学习消费者表示与小波变换交叉注意力卷积网络的方法,用于分区计量区域短期需水量预测,在真实数据上MAPE最大提升4.9%。
2025-09-09 cs.AI cs.CY cs.LG
Load and Renewable Energy Forecasting Using Deep Learning for Grid Stability
Jadavpur University(jadavpur大学)
本文聚焦CNN和LSTM深度学习预测方法,以应对可再生能源并入电网时供需平衡的挑战,提升电网稳定性。
2025-01-23 cs.AI cs.LG
Transformer Training Strategies for Forecasting Multiple Load Time Series
Institute for Automation and Applied Informatics(自动化与应用信息研究所);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
针对单用户负荷数据有限的问题,提出基于多用户数据训练全局单变量Transformer的迁移学习策略,在两个数百用户数据集上误差较现有策略低12.8%-21.8%,验证了该策略下Transformer的负荷预测有效性。
2023-07-25 cs.AI cs.LG
Stacking for Probabilistic Short-term Load Forecasting
Czestochowa University of Technology(琴斯托霍瓦工业大学)
本文提出基于Stacking元学习的概率性短期电力负荷预测方法,融合分位数线性回归、分位数回归森林与残差模拟后处理,并设计全局与局部变体,实验验证分位数回归森林最优。
2024-06-15 cs.AI cs.LG
Retail Demand Forecasting: A Comparative Study for Multivariate Time Series
Institute of Electrical and Electronics Engineers(电气和电子工程师协会);University of Tennessee Chattanooga(田纳西大学查塔努加分校);University of South Dakota(南达科他大学)
针对现有零售需求预测多忽略宏观经济因素的问题,本研究引入CPI、ICS、失业率等变量构建多变量数据集,对比多种回归与机器学习模型以提升预测精度。
2023-08-23 cs.AI cs.LG q-fin.ST
Zero-Shot Heart Rate Variability Forecasting from Consumer Wearables Using Time Series Foundation Models
Tampere University(坦佩雷大学);University of Eastern Finland(东芬兰大学)
研究利用时间序列基础模型从消费级可穿戴设备预测心率变异性,针对数据碎片化问题引入变异性保留插补方法,结果显示TSFMs在无需微调时优于传统基线模型,为其在真实数据集上的性能建立基线,凸显特定领域微调对临床部署的潜力。
2026-07-23 cs.LG
Globalization for Scalable Short-term Load Forecasting
Department of Electrical and Software Engineering, University of Calgary(电气与软件工程系,卡尔加里大学)
本文研究存在数据漂移的输电网络短期负荷预测,提出独立时间序列聚类方法以解决数据异质性并平衡全局与局部动态,实验证明全局目标变换模型优于局部模型。
2025-07-15 cs.AI cs.LG
Interpretable Load Forecasting via Representation Learning of Geo-distributed Meteorological Factors
针对多地点气象因素选择与解释难题,提出融合空间关系表示学习、图模型Shapley值及Monte Carlo加速的负荷预测框架,提升极端场景日前预测精度并揭示其与GDP和产业的关联。
2025-01-04 cs.AI cs.LG
A Lightweight Multi-View Approach to Short-Term Load Forecasting
Université du Québec à Montréal(魁北克大学蒙特利尔分校)
本文提出了一种轻量多视图方法用于短期负荷预测,通过单值嵌入和缩放时间范围输入提高预测效率,并引入嵌入dropout机制以增强可解释性。
2026-11-05 cs.AI cs.LG
GCA-BULF: A Bottom-Up Framework for Short-Term Load Forecasting Using Grouped Critical Appliances
University of Science and Technology of China(中国科学技术大学)
本文提出GCA-BULF框架,通过分组关键电器提升短时负荷预测精度,实验表明其在住宅和办公建筑负荷预测中优于传统自上而下和自下而上方法。
2026-04-04 cs.AI cs.LG eess.SP
Random vector functional link neural network based ensemble deep learning for short-term load forecasting
Nanyang Technological University(南洋理工大学)
电力负荷预测对于电力系统的规划和维护至关重要。然而,其非平稳和非线性的特点,在预测未来的需求带来了很大的困难。提出了一种新的集成深度随机向量函数链接网络(edRVFL)用于电力负荷预测。隐藏层的权重随机初始化,并在训练过程中保持固定。隐藏层被堆叠以实施深度表示学习。然后,模型通过集成每层的输出来生成预测。此外,我们还建议增加随机增强功能的经验小波变换(EWT)。EWT以向前走的方式分解原始负载数据,不会在分解过程中引入未来的数据泄漏问题。最后,EWT生成的所有子序列(包括原始数据)都将输入edRVFL进行预测。该模型是在2020年澳大利亚能源市场运营商公布的20个时间序列上进行评估的。仿真结果表明,该模型的性能优于11预测方法在三个误差指标和统计测试的电力负荷预测任务。
2021-07-30 cs.AI cs.LG eess.SP
DiffLoad: Uncertainty Quantification in Electrical Load Forecasting with the Diffusion Model
The University of Hong Kong(香港大学);DAMO Academy, Alibaba Group(阿里巴巴达摩院)
本文提出DiffLoad方法,利用扩散Seq2Seq结构估计认知不确定性,并用加性柯西分布估计偶然不确定性,实现负荷预测中两类不确定性的有效分离,同时保证预测精度并适用于不同负荷水平。
2024-09-02 cs.AI cs.LG stat.ML
Reinforcement Learning based Dynamic Model Selection for Short-Term Load Forecasting
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
随着智能网格技术的日益普及,短期负荷预测(STLF)在电力系统运行中变得尤为重要。有大量的方法开发的STLF,但选择一个合适的方法在不同的条件下仍然是具有挑战性的。提出了一种基于强化学习的STLF动态模型选择方法。首先建立预测模型池,包括十个最先进的基于机器学习的预测模型。然后,Q学习代理根据模型性能学习为下一时间步选择最佳预测模型的最优策略。最优DMS策略被应用于在每个时间步选择最佳模型,并具有移动窗口。对两年负荷和气象数据的仿真结果表明,Q-学习算法收敛速度快,能有效地提高DMS的性能。与最先进的基于机器学习的STLF模型相比,开发的基于Q学习的DMS的STLF模型将预测精度提高了约50%。
2018-11-05 cs.AI cs.LG stat.ML
Electrical Load Forecasting over Multihop Smart Metering Networks with Federated Learning
Department of Electrical and Computer Engineering, University of Alabama in Huntsville(阿拉巴马大学亨茨维尔分校电气与计算机工程系);Computer Science and Mathematics Division, Oak Ridge National Laboratory(橡树岭国家实验室计算机科学与数学 division);Department of Electrical and Computer Engineering, Kansas State University(堪萨斯州立大学电气与计算机工程系)
本文提出一种基于元学习的个性化联邦学习方法,解决多跳智能电表网络中异构数据分布导致的负荷预测难题,并优化资源分配以降低预测延迟。
2025-11-04 cs.LG
Interactive Generalized Additive Model and Its Applications in Electric Load Forecasting
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院)
本文提出一种结合领域知识的交互式广义可加模型,通过提升算法和分段线性函数提升可解释性与性能,在电力负荷预测中优于现有方法并已集成至eForecaster平台。
2023-10-24 cs.LG
Uncovering Dominant Features in Short-term Power Load Forecasting Based on Multi-source Feature
传统的电力负荷预测方法受数据可获得性的限制,更多的是研究负荷的变化规律以及温度、节假日等少数因素的影响,未能揭示负荷变化的内在机理。本文突破这一局限,从天文、地理、社会等多个方面收集80个潜在特征,研究电力负荷变化与影响因素之间的复杂关系,并在此基础上提出一种短期电力负荷预测方法。算例表明,与现有方法相比,该方法的预测精度提高了33.0%~ 34.7%。预测结果表明,地理特征对提高负荷预测精度的影响最为显著,其中气温是最主要的特征。天文特征的影响比社会特征更显著,与太阳相关的特征也起着重要的作用,这在以往的研究中明显被忽略了。星期六和星期一是最重要的社交活动。温度、太阳天顶角、民用曙暮光时长和滞后晴空全球水平辐照度与电力负荷呈V型关系,存在平衡点。全球水平辐照度与电力负荷呈负相关。
2021-03-23 cs.LG
Privacy-preserving Federated Learning for Residential Short Term Load Forecasting
FINATRAX, University of Luxembourg(卢森堡大学FINATRAX);University of Luxembourg(卢森堡大学)
由于间歇性发电和动态需求模式的高水平,对住宅负荷的准确预测变得至关重要。智能电表在进行这些预测时可以发挥重要作用,因为它们提供详细的负荷数据。然而,由于数据隐私要求,使用智能电表数据进行负荷预测具有挑战性。本文研究了如何通过结合联邦学习和隐私保护技术(如差分隐私和安全聚合)来满足这些要求。在我们的分析中,我们使用了大量的住宅负载数据,并模拟了不同的联邦学习模型和隐私保护技术如何影响性能和隐私。我们的模拟表明,结合联邦学习和隐私保护技术可以确保高预测准确性和接近完全的隐私。具体来说,我们发现,这种组合使高水平的信息共享,同时确保隐私的处理负荷数据和预测模型。此外,我们确定并讨论了应用联邦学习,差分隐私和安全聚合住宅短期负荷预测的挑战。
2022-09-19 cs.AI cs.LG cs.SY
Forecasting Anonymized Electricity Load Profiles
University of Luxembourg(卢森堡大学);Enovos Luxembourg S.A.(恩诺沃斯卢森堡股份公司)
针对GDPR下电力负荷曲线需匿名化的需求,研究发现微聚合匿名技术在预测聚合负荷时对精度影响极小,可在保障隐私的同时维持智能计量应用效用。
2025-01-08 cs.AI cs.CR cs.LG
Data Selection for Short Term load forecasting
基于机器学习的电力负荷预测是人工智能的一个比较成熟的应用,在电力系统的运行、控制和规划中是不可缺少的。数据选择技术在此应用中几乎没有使用。然而,使用这样的技术可能是有益的假设,数据是同分布的负荷预测显然是不正确的,但它是循环平稳的。在这项工作中,我们提出了一个全自动的方法来确定什么是最充分的数据训练的预测是基于一个完整的贝叶斯概率模型。我们评估的性能的方法与实验的基础上,真正的公开可用的数据记录在美国的几年。
2019-10-15 cs.AI cs.LG stat.ML
Automated Deep Learning for Load Forecasting
EDF R&D(EDF研发部);INRIA Lille Nord Europe(里尔北欧信息与自动化研究所);LPSM, Sorbonne Université(索邦大学数学科学研究所)
针对电力负荷预测中深度神经网络受数据不足、变量类型多样限制的问题,研究人员扩展DRAGON包构建AutoDL框架EnergyDragon,可自动选特征、优化网络架构与超参数,在法国负荷信号上表现优于现有方法及其他AutoDL方案。
2024-05-14 cs.AI cs.LG cs.NE
Appliance Level Short-term Load Forecasting via Recurrent Neural Network
The University of Texas at Austin(德克萨斯大学奥斯汀分校);Eaton Research Lab(伊顿研究实验室);Eaton Corporation(伊顿公司)
准确的负荷预测对于电力市场运营和电力系统其他实时决策任务至关重要。本文研究了小区内居民用户的短期负荷预测问题。现有的短期负荷预测方法主要集中在对馈线系统或单个用户的总负荷预测上,而对单个设备的负荷预测研究较少。在这项工作中,我们提出了一个STLF算法,有效地预测个别电器的功耗。所提出的方法建立在深度学习中强大的循环神经网络(RNN)架构之上,称为长短期记忆(LSTM)。由于每个电器具有唯一重复的消耗模式,因此预测误差的模式将被跟踪,使得过去的预测误差可以用于改善最终预测性能。在实际负荷数据集上的数值试验表明,该方法优于现有的基于LSTM的方法和其他基准方法。
2021-11-23 cs.LG
Probabilistic Load Forecasting via Point Forecast Feature Integration
GEIRI North America(北美电力科学研究院);State Grid Jiangsu Electric Power Company Ltd.(国网江苏省电力有限公司)
短期负荷预测是电力系统能量管理系统的重要组成部分。近年来,概率负荷预测(PLF)由于其提供不确定性信息的能力,有助于提高系统运行性能的可靠性和经济性而受到越来越多的关注。本文提出了一个两阶段的概率负荷预测框架,将点预测作为一个关键的概率预测功能集成到PLF。在第一阶段,所有相关的特征被用来训练一个点预测模型,并获得特征的重要性。在第二阶段中,考虑点预测特征以及所选择的特征子集来训练预测模型。在预测模型的测试阶段,利用最终的概率负荷预测结果进行点预测和概率预测。采用ISO新英格兰负荷数据进行的算例表明,该方法在小时前负荷预测中是有效的,点预测采用梯度提升回归,概率预测采用分位数回归神经网络.
2019-03-26 cs.LG stat.ML
Classification of load forecasting studies by forecasting problem to select load forecasting techniques and methodologies
University of Liège(列日大学)
本文的主要贡献是提出了一个分类到两个维度的负荷预测研究,以决定在何种情况下使用哪些预测工具。这一分类旨在按预测问题提供相关预测技术和方法的综合视图。此外,总结了所使用的主要技术和方法的关键原则以及这些论文的评论。分类过程依赖于定义预测问题的两对参数。每一篇文章都使用有关所使用的数据集和实现的预测工具的关键信息进行分类:预测技术(概率或确定性)和方法,数据清洗技术和错误度量。选择本文综述的文章的过程分为两个步骤。首先,建立了一套负荷预测研究的基础上,有关的负荷预测评论和预测比赛。第二步是根据下列标准从这一组研究中选出最相关的研究:对所采用的预测技术和方法的说明的质量、对结果的说明以及贡献。这篇论文可以分两遍读.第一种通过识别感兴趣的预测问题来选择相应的类放入四个分类表之一。每一个都引用了在预测范围内分类的所有文章。他们提供了一个综合的观点,预测工具所使用的文章解决类似的预测问题。然后,由四个表格组成的第二个层次总结了有关预测工具和这些研究结果的关键信息。第二遍是阅读主要技术和方法的关键原则以及文章的评论。
2020-03-18 cs.IR cs.LG stat.ML
Large Language Model-Empowered Interactive Load Forecasting
针对现有负荷预测模型缺乏人机交互的问题,提出基于大型语言模型的多智能体协作框架,嵌入交互机制降低使用门槛,实验证明用户提供见解可显著提升预测精度且成本可控。
2025-05-22 cs.LG
Explainability-Driven Feature Engineering for Mid-Term Electricity Load Forecasting in ERCOT's SCENT Region
Institute for Computing in Research(计算研究机构)
针对电力系统中期负荷预测需求,对比多种机器学习模型,并引入SHAP方法量化特征贡献以指导特征工程,同时提升模型可解释性与预测准确率。
2025-07-29 cs.LG
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。
2024-09-23 cs.AI cs.LG stat.ML
Stacked Boosters Network Architecture for Short Term Load Forecasting in Buildings
VTT Technical Research Centre of Finland(芬兰VTT技术研究中心)
本文提出了一种新的深度学习架构,用于建筑物能源负荷的短期负荷预测。该架构基于一个简单的基础学习器和多个增强系统,这些系统被建模为单个深度神经网络。该架构将原始的多变量时间序列转换为多个级联的单变量时间序列。结合稀疏交互、参数共享和等变表示,这种方法可以对抗过拟合,同时仍然可以通过深度网络架构实现良好的表示能力。该架构进行了评估,在几个短期负荷预测任务的能源数据从办公楼在芬兰。所提出的架构优于国家的最先进的负荷预测模型在所有的任务。
2020-04-16 cs.LG stat.ML
A Meta-learning based Distribution System Load Forecasting Model Selection Framework
North Carolina State University(北卡罗来纳州立大学)
提出了一种基于元学习的配电网负荷预测模型自动选择框架。该框架包括以下过程:特征提取,候选模型标记,离线训练,和在线模型推荐。使用用户的负荷预测需求作为输入功能,多个元学习器被用来排名可用的负荷预测模型的预测精度的基础上。然后,评分投票机制对每个元学习者的建议进行加权,以做出最终建议。异构负荷预测任务,不同的时间和技术要求,在不同的负荷聚合水平设置训练,验证和测试所提出的框架的性能。仿真结果表明,基于元学习的方法的性能是令人满意的可见和不可见的预测任务。
2021-04-15 cs.LG cs.SY eess.SP
Short-term Load Forecasting with Dense Average Network
Central South University(中南大学);Caledonian University(喀里多尼亚大学)
电力负荷预测作为电力系统的重要组成部分,直接影响着国民经济的发展。数据显示,将负荷预测精度提高0.01%,可以为电力行业节省数百万美元。因此,提高电力负荷预测的精度一直是电力系统追求的目标。基于这一目标,本文提出了一种新的连接,密集平均连接,其中所有前一层的输出被平均作为下一层的输入,以前馈的方式。基于稠密平均连接,构造了用于电力负荷预测的稠密平均网络。对两个公共数据集的预测结果表明,该模型优于现有方法。在此基础上,采用集成方法进一步提高了模型的精度。为了验证模型预测的可靠性,鲁棒性进行了分析和验证,通过添加输入干扰。实验结果表明,该模型对电力负荷预测是有效的和鲁棒的。
2020-05-29 cs.LG stat.ML
Assessing Covariate-Informed Grid Load Forecasting with a Time-Series Foundation Model
Artificial Intelligence Team GE Vernova Advanced Research Center(GE Vernova先进研究中心人工智能团队)
本研究评估时间序列基础模型Chronos-2在电网负荷预测中的表现,发现其经任务特定微调后短时域预测性能优异,但零样本准确性不及任务特定模型,误差随预测步长增长更快。
2026-09-09 cs.AI cs.LG cs.SY
Federated Learning with Hyperparameter-based Clustering for Electrical Load Forecasting
University of Alberta(阿尔伯塔大学);University of Hradec Králové(赫拉德茨-克拉洛韦大学)
电力负荷预测已成为电力系统运行的重要组成部分。深度学习模型已经在这方面受到欢迎。然而,为了达到预期的预测精度,它们需要大量的数据进行训练。共享各个家庭的电力消耗数据以进行负载预测可能会损害用户隐私,并且在通信资源方面可能是昂贵的。因此,边缘计算方法,如联邦学习,对于这一目的越来越重要。这些方法可以利用的数据,而无需集中存储it.This本文评估的性能联邦学习短期预测的个人住宅负荷以及总负荷。它讨论了这种方法的优点和缺点,通过比较它的集中式和本地学习计划。此外,提出了一种新的客户聚类方法,以减少联邦学习的收敛时间。结果表明,联邦学习具有良好的性能,最小均方根误差(RMSE)为0.117千瓦时的个人负荷预测。
2021-11-14 cs.LG
Operational thermal load forecasting in district heating networks using machine learning and expert advice
VITO(弗拉芒技术研究院);EnergyVille(能源城);NODA(NODA公司)
预测热负荷是控制区域供热和供冷系统的大多数优化解决方案的关键组成部分。最近的研究分析了一些数据驱动的方法应用于热负荷预测的结果,本文提出的结果相结合的收集这些个人的方法在一个专家系统。专家系统将以一种总是跟踪系统中最佳专家的方式组合多个热负荷预测。该解决方案的测试和验证,使用27个月的热负荷数据集,从位于瑞典Rottne的10栋住宅楼,以及从天气预报服务收到的室外温度信息。该专家系统由以下数据驱动方法组成:线性回归、极端随机树回归、前馈神经网络和支持向量机。所提出的解决方案的结果进行比较的结果的个别方法。
2017-10-17 cs.LG
Probabilistic Forecasting Methods for System-Level Electricity Load Forecasting
Technische Universität Berlin(柏林工业大学)
负荷预测已成为能源安全的一个组成部分。由于在这种预测中可以考虑各种影响因素,因此也有各种各样的模型试图以各种方式将这些参数整合到系统中。由于概率负荷预测模型的重要性日益增加,在本分析中提出了不同的方法。重点是短期部门的不同模型。在此基础上,提出了另一个长期部门的模型。然后,所提出的模型放在相互之间的关系,并检查参考的优点和缺点。之后,所提出的文件进行了分析,重点是他们之间的可比性。最后,将讨论对文献中进一步发展领域的展望。
2022-10-17 cs.LG eess.SP
Deep-Learning-Based, Multi-Timescale Load Forecasting in Buildings: Opportunities and Challenges from Research to Deployment
National Renewable Energy Laboratory(国家可再生能源实验室)
随着分布式能源的普及,建筑物和校园的电力负荷预测变得越来越重要。DER的高效运行和调度需要对未来能源消耗进行合理准确的预测,以便对现场发电和存储资产进行近实时的优化调度。电力公司传统上对跨越大的地理区域的负载区进行负载预测,因此预测并不是建筑物和园区运营商的常见做法。考虑到网格交互式高效建筑领域的研究和原型设计的不断增长的趋势,简单算法预测精度之外的特性在确定智能建筑算法的真正效用方面非常重要。其他特征包括已部署架构的总体设计和预报系统的运行效率。在这项工作中,我们提出了一个基于深度学习的负荷预测系统,该系统可以预测未来18小时内每隔1小时的建筑负荷。我们还讨论了这些系统的实时部署相关的挑战,以及由一个功能齐全的预测系统,已在国家可再生能源实验室智能校园计划内开发的研究机会。
2021-12-17 cs.LG eess.SP
TimeGPT in Load Forecasting: A Large Time Series Model Perspective
Tianjin University(天津大学);China Agricultural University(中国农业大学);Imperial College London(帝国理工学院);TU Dortmund University(多特蒙德工业大学)
针对历史负荷数据稀缺时传统模型预测精度受限的问题,本文探讨大时间序列模型TimeGPT的潜力,通过在千亿级多领域时序数据上预训练并结合稀缺负荷数据微调,其在短前瞻时间等场景下优于基准模型,但需根据数据分布选择使用。
2024-11-28 cs.LG
A Benchmark for Electrical Load Forecasting Across Grid Levels: Time-Series Transformers Outperform Established Methods
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Helmholtz AI(亥姆霍兹人工智能中心)
提出跨电网层级负荷预测综合基准,评估十种方法,发现基于变压器的方法表现优,误差降6.6 - 10.7%。引入YAformer分析架构影响,标准变压器性能更优。评估Chronos - 2,揭示模型优缺点,强调长输入等因素重要性。
2026-07-20 cs.LG
Multi-task Online Learning for Probabilistic Load Forecasting
Basque Center for Applied Mathematics (BCAM)(巴斯克应用数学中心(BCAM));IKERBASQUE - Basque Foundation for Science(伊克尔巴斯克科学基金会(IKERBASQUE))
本文提出一种多任务在线概率负荷预测方法,利用多个实体间的动态相似性输出概率预测,实验证明其在多种负荷消费场景下显著优于现有多任务学习方法。
2025-02-06 cs.LG stat.ML
A Data-Driven Machine Learning Approach for Consumer Modeling with Load Disaggregation
Kansas State University(堪萨斯州立大学)
虽然非参数模型,如神经网络,在负荷预测中是足够的,固定和可转移的负载的单独估计是有益的,广泛的应用,如配电系统运行规划,负荷调度,能源交易,和公用事业需求响应程序。通常需要半参数估计模型,其中需求的成本敏感性必须已知。现有的研究工作一直使用似乎最有效的任意参数。本文提出了一类通用的数据驱动半参数模型,这些模型源自住宅消费者的消费数据。一个两阶段的机器学习方法的开发。在第一阶段中,分解成固定和移位组件的负载是通过一个混合算法,包括非负矩阵分解(NMF)和高斯混合模型(GMM),后者训练的期望最大化(EM)算法。对固定负荷和可移动负荷进行了经济分析。在第二阶段中,使用L2范数、ε不敏感回归方法估计模型参数。两个住宅用户的实际用电数据表明了该方法的有效性。
2020-11-04 cs.CE cs.LG cs.SY
GRAFT: Grid-Aware Load Forecasting with Multi-Source Textual Alignment and Fusion
School of Electrical and Automation, Wuhan University(武汉大学电气与自动化学院);Institute of Industrial Science, The University of Tokyo(东京大学生产技术研究所)
GRAFT通过多源文本对齐与融合改进STanHOP,实现网格感知预测和文本干预,构建统一基准并验证模型在不同时间尺度和区域的优越性。
2026-04-06 cs.LG
Optimizing ARDL Models for Retail Sales Forecasting and Fair Pricing
The University of Winnipeg(温尼伯大学)
研究加拿大动态食品定价中消费者被剥削风险,提出将公平约束嵌入零售销售预测的方法,用ARDL模型结合线性规划和模拟退火解决定价问题,对比多种基准模型验证效果,构建出注重公平的定价框架。
2026-07-14 cs.CE cs.LG
Delta-Based Target Reformulation for Short-Term Electricity Load Forecasting Using LSTM and Transformer Models
针对电力负荷非平稳性,提出Delta目标重构方法,让LSTM和Transformer预测负荷变化量而非绝对值,在小时级预测中MAE和MAPE降低超50%。
2026-06-17 cs.LG
Deep Learning for Time Series Forecasting: The Electric Load Case
Università della Svizzera Italiana(瑞士意大利语区大学);Politecnico di Milano(米兰理工大学)
智能电网等关键基础设施的管理和高效运营利用了准确的电力负荷预测,由于其非线性性质,这仍然是一项具有挑战性的任务。最近,机器学习领域出现了深度学习,在从图像分类到机器翻译的各种任务中取得了令人印象深刻的性能。深度学习模型在电力负荷预测问题中的应用越来越受到研究人员和行业的关注,但文献中还没有对不同架构进行全面和合理的比较。这项工作旨在通过回顾和实验评估两个真实世界的数据集上的电力负荷预测的最新趋势,通过对比短期预测(提前一天预测)的深度学习架构来填补空白。具体来说,我们专注于前馈和递归神经网络,序列到序列模型和时间卷积神经网络以及架构变体,这是已知的信号处理社区,但新的负荷预测之一。
2019-07-22 cs.LG stat.ML
Electric Load and Power Forecasting Using Ensemble Gaussian Process Regression
Pacific Northwest National Laboratory(太平洋西北国家实验室)
本文提出了一种新的负荷需求预测和发电调度的预测方法。准确的负荷需求预测和最佳发电量是电网系统高效运行的关键。在这项工作中,我们使用一个合成数据集描述了一个电网700总线和134发电机在365天的时间内与数据合成产生的每小时的速度。所提出的方法为一周的预测是基于高斯过程回归(GPR)方法,与先前的协方差矩阵的感兴趣的数量(QoI)计算从合奏形成的前20周的QoI观测。然后,我们在GPR框架内使用这些协方差来预测下周的生活质量。我们证明了所提出的集成GPR(EGPR)方法能够准确地预测每周总负荷需求和发电剖面。EGPR方法优于传统的预测方法,包括标准的GPR和自回归综合移动平均(ARIMA)方法。
2019-10-09 cs.LG stat.ML
Medium-Term Load Forecasting Using Support Vector Regression, Feature Selection, and Symbiotic Organism Search Optimization
Niroo Research Institute(尼罗研究所);State University of New York, Binghamton University(纽约州立大学宾汉姆顿大学)
准确的负荷预测一直是电力系统运行规划中不可缺少的重要组成部分。短期负荷预测(STLF)和长期负荷预测(LTLF)分别具有预测精度高和预测概率大的优点,而中期负荷预测(MTLF)由于其在电力系统运行和规划中的重要作用,如机组优化调度、用户服务规划和经济供电等方面的重要作用,受到了越来越多的关注。在这项研究中,一个混合的方法,支持向量回归(SVR)和共生生物体搜索优化(SOSO)的方法,提出了MTLF。在该模型中,支持向量回归机是预测算法的主体部分,SOSO算法被嵌入其中以优化支持向量回归机的参数。此外,在输入数据的预处理中,采用了最小冗余-最大相关特征选择算法。在EUNITE竞赛数据集上对该方法进行了测试,以证明其正确的性能。此外,它与以前的一些作品进行比较,以显示我们的方法的合格性。
2019-06-11 cs.LG cs.NE stat.ML