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
Electricity Demand Forecasting by Multi-Task Learning
IBM Research - Ireland(IBM研究院(爱尔兰))
我们探索应用基于核的多任务学习技术来预测配电网中多个节点的电力需求。我们表明,最近开发的输出核学习技术特别适合解决这个问题,因为它们允许灵活地模拟表征电力需求数据的复杂季节性效应,同时学习和利用多个需求曲线之间的相关性。我们还证明了具有乘法结构的内核相对于广泛采用的(广义)加性模型具有更好的预测性能。我们的研究是基于爱尔兰能源监管委员会(CER)提供的住宅和工业智能电表数据。
2015-12-27 cs.LG
A Comparative Study of Machine Learning Algorithms for Electricity Price Forecasting with LIME-Based Interpretability
Gezhi Future Research Institute(智未来研究院)
本文比较了八种机器学习模型在电力价格预测中的性能,发现KNN表现最佳,并通过LIME分析揭示了气象因素和供需指标对价格波动的非线性影响。
2025-12-01 cs.LG
Bayesian Neural Networks with Monte Carlo Dropout for Probabilistic Electricity Price Forecasting
Faculty of Mathematics and Economics(数学与经济学学院);Ulm University(乌尔姆大学);Department of Mathematics, Natural and Economic Sciences(数学、自然科学与经济科学系);Ulm University of Applied Sciences(乌尔姆应用科学大学)
本文提出利用贝叶斯神经网络与蒙特卡罗滴落进行概率电价预测,通过日间模式建模优于传统基准模型。
2025-11-12 cs.LG
Short-Term Electricity Demand Forecasting of Dhaka City Using CNN with Stacked BiLSTM
Tennessee State University(田纳西州立大学);Ahsanullah University of Science and Technology(阿萨努拉科技大学)
本文提出CNN与堆叠BiLSTM混合模型用于达卡市短期电力需求预测,并研究归一化技术,在MAPE、MSE、RMSE和MAE指标上优于LSTM、CNN-BiLSTM和CNN-LSTM等基准模型。
2024-06-10 cs.LG
Investigating Calibration Challenges in Probabilistic Electricity Price Forecasting
Institute for Automation and Applied Informatics(自动化与应用信息学研究所);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文指出当前概率电价预测中评分规则偏向锐度而忽视校准,导致过自信估计,呼吁未来研究转向校准感知的目标和架构。
2026-06-08 cs.LG
Electricity Price Forecasting: Bridging Linear Models, Neural Networks and Online Learning
University of Duisburg-Essen(杜伊斯堡-埃森大学);Technical University of Dortmund(多特蒙德工业大学)
本文提出一种混合神经网络架构,结合线性和非线性结构,通过伯恩斯坦在线聚合提升预测精度,减少计算成本,降低RMSE和MAE。
2026-09-09 cs.LG
Is your forecaster smarter than an energy engineer: a deep dive into electricity price forecasting
KU Leuven(鲁汶大学)
在过去几年中,电价预测领域取得了重大进展,包括开发新的、更准确的预测模型。这些模型利用先前观察到的数据中的统计关系来预测未来;然而,缺乏解释这些模型的分析,这限制了它们在关键基础设施中的现实适用性。在本文中,使用来自比利时电力市场的数据,我们探索了一种最先进的预测模型,以了解其预测在更一般的环境中是否值得信赖,而不是在有限的环境中进行训练。如果模型在极端条件下的预测不佳,或者其预测与现实不一致,则在现实世界中无法依赖这些预测用于下游决策活动。我们的研究结果表明,尽管总体上足够准确,但即使是最先进的预测也难以与现实保持一致。
2022-09-22 cs.LG
Electricity Demand Forecasting through Natural Language Processing with Long Short-Term Memory Networks
Mines Paris - PSL(巴黎文理研究大学巴黎高等矿业学院)
本文提出一种结合文本新闻特征的LSTM网络预测英国电力需求,发现交通与地缘政治的公众情绪和词向量具时间连续性效应,模型较纯LSTM基准提升超3%、较官方基准提升近10%,并有效降低了预测不确定性。
2023-09-13 cs.LG
Mid-Long Term Daily Electricity Consumption Forecasting Based on Piecewise Linear Regression and Dilated Causal CNN
针对节假日等特殊日期用电量预测精度下降问题,提出基于分段线性回归与Dilated Causal CNN的两阶段预测方法,显著提升了中长期日用电量预测准确率。
2023-10-23 cs.LG
Conditional Approximate Normalizing Flows for Joint Multi-Step Probabilistic Forecasting with Application to Electricity Demand
Stanford University(斯坦福大学);McGill University(麦吉尔大学)
一些现实世界的决策问题需要同时对多个步骤进行概率预测。然而,概率预测的方法可能无法捕捉随着误差积累而存在于长期范围内的基本时间序列中的相关性。一个这样的应用是在网格环境中的不确定性下的资源调度,这需要预测电力需求,这是固有的噪声,但往往是循环的。在本文中,我们引入了条件近似归一化流(CANF),使概率多步时间序列预测时,相关性是目前在较长的时间范围。我们首先证明了我们的方法在估计玩具分布密度方面的有效性,发现与高斯混合模型相比,CANF将KL分歧提高了三分之一,同时仍然适合显式条件反射。然后,我们使用一个公开的家庭用电量数据集,以展示联合概率多步预测CANF的有效性。实证结果表明,条件近似归一化流优于其他方法的多步预测精度,并导致高达10倍的更好的调度决策。我们的实现可以在https://github.com/sisl/JointDemandForecasting上获得。
2022-01-14 cs.LG
An Intelligent End-to-End Neural Architecture Search Framework for Electricity Forecasting Model Development
School of Management(管理学院);Harbin Institute of Technology(哈尔滨工业大学);Rensselaer Polytechnic Institute(伦斯勒理工学院)
本文提出了一种智能自动化架构搜索(IAAS)框架,通过结合保持网络函数的转换操作、基于强化学习的网络转换控制和启发式网络筛选,解决了电力预测模型结构设计不灵活的问题,显著提升了预测准确性和稳定性。
2024-06-01 cs.LG
On-line conformalized neural networks ensembles for probabilistic forecasting of day-ahead electricity prices
CNR(国家研究委员会);University of Parma(帕尔马大学)
本文提出一种在线共形化神经网络集成方法,通过共形推断与在线重校准提升日前电价概率预测的小时覆盖率与概率评分稳定性。
2024-06-10 cs.LG
Water and Electricity Consumption Forecasting at an Educational Institution using Machine Learning models with Metaheuristic Optimization
Universidade Tecnológica Federal do Paraná(巴拉那联邦理工大学)
该研究以巴西一所教育机构五年账单及内外生变量为数据,比较经GA优化的RF与SVR在12个月水电消耗预测中的表现,并评估气候变量影响,发现RF最佳且加入气候变量通常降低精度。
2024-10-25 cs.LG
Graph Neural Networks for Electricity Load Forecasting
Centre Borelli, Ecole Normale Supérieure Paris-Saclay, Gif-sur-Yvette, France(巴黎萨克雷大学Borelli中心);EDF Lab, Palaiseau, France(法国电力公司实验室)
本文提出结合图神经网络、注意力机制与集成聚合的综合框架用于电力负荷预测,实验证明其准确性和可解释性优于传统基线及基础模型。
2025-11-03 cs.LG
Comparative Analysis of Time Series Forecasting Approaches for Household Electricity Consumption Prediction
State University of New York(纽约州立大学);Ninewatt Inc.(Ninewatt公司);University of Central Asia(中亚大学)
由于人口增长和全球化,对能源的需求大大增加。因此,准确的能耗预测已成为政府规划、减少电能浪费和能源管理系统稳定运行的必要前提。在这项工作中,我们提出了一个主要的机器学习模型的家庭能源消费的时间序列预测的比较分析。具体来说,我们使用Weka,一个数据采掘工具,首先将模型应用于Kaggle数据科学社区提供的每小时和每日家庭能源消耗数据集。应用的模型有:多层感知器,K最近邻回归,支持向量回归,线性回归和高斯过程。其次,我们还在python中实现了时间序列预测模型ARIMA和VAR,以预测选定的韩国家庭在有和没有天气数据的情况下的家庭能源消耗。研究结果表明,能源消费预测的最佳方法是支持向量回归,其次是多层感知器和高斯过程回归。
2022-07-03 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
From Distributional to Quantile Neural Basis Models: the case of Electricity Price Forecasting
CNR, Institute of Intelligent Industrial Technologies and Systems for Advanced Manufacturing(CNR,智能工业技术与系统研究所)
该研究提出Quantile Neural Basis Model,将分位数广义可加模型的可解释性融入端到端神经网络,无需参数化分布假设,在电力价格预测中实现了与现有神经网络相当的性能并提供了模型行为见解。
2025-09-17 cs.LG
Electricity Consumption Forecasting for Out-of-distribution Time-of-Use Tariffs
TCS Research(塔塔咨询服务研究部)
在电力市场中,零售商或经纪人希望通过将电价配置分配给终端消费者来实现利润最大化。这种需求响应管理的目标之一是激励消费者调整其消费,使得批发市场中的整体电力采购最小化,例如,当经纪人从批发市场采购的成本高时,消费者在高峰时段消耗较少是可取的。我们考虑一个贪婪的解决方案,最大化的整体利润的经纪人最优的关税配置文件分配。这反过来又需要预测每个用户在所有电价情况下的用电量。由于以下原因,与标准预测问题相比,该预测问题是具有挑战性的:每小时费率的可能组合的数量很高,并且零售商在过去可能没有考虑所有组合,从而导致在过去尝试的一组有偏见的费率概况,ii.过去分配给每个用户的简档通常基于特定策略。这些理由违反了标准i.i.d.由于需要评估现有客户的新资费情况,且历史数据受到过去用于资费分配的政策的影响,因此,本集团采用了一些假设。在这项工作中,我们考虑在这些条件下的预测和优化的几个方案。我们利用消费者如何通过比较不同时间和转移负载的关税来应对可变关税率的底层结构,并在基于深度神经网络的架构设计中提出合适的归纳偏差,以在这种情况下进行预测。更具体地说,我们利用注意力机制和置换等变网络,允许期望的处理的关税配置文件学习关税表示不敏感的数据中的偏见,仍然代表的任务。
2022-02-11 cs.LG
NBMLSS: probabilistic forecasting of electricity prices via Neural Basis Models for Location Scale and Shape
CNR(意大利国家研究委员会);Institute of Intelligent Industrial Technologies and Systems for Advanced Manufacturing(智能工业技术与先进制造系统研究所)
提出位置尺度和形状的神经基模型(NBMLSS),结合GAMLSS的可解释性与可扩展共享基分解,在多市场电价预测中实现与分布神经网络相当的性能,同时提供更深入的模型行为见解。
2024-12-20 cs.LG
Interval Forecasting of Electricity Demand: A Novel Bivariate EMD-based Support Vector Regression Modeling Framework
在电力系统规划和运行决策中,高精度的电力需求区间预测是通过提供范围而不是点估计来成功降低风险的基础。在这项研究中,一种新的建模框架集成双变量经验模式分解(BEMD)和支持向量回归(SVR),扩展了成熟的经验模式分解(EMD)为基础的时间序列建模框架的能源需求预测文献,提出了电力需求的区间预测。本研究的新颖性来自就业BEMD,一个新的扩展经典经验模型分解(EMD)注定要处理二元时间序列作为复值时间序列,作为分解方法,而不是经典的EMD只能分解一维单值时间序列。该建模框架被赋予BEMD同时分解的下限和上限的时间序列,构建在复值时间序列的形式,电力需求每月每小时的基础上,从而捕捉潜在的相互关系的下限和上限。建议的建模框架是合理的,每月间隔值的电力需求数据每小时在宾夕法尼亚州新泽西州马里兰州互联,表明它是一个很有前途的方法,区间值的电力需求预测。
2014-06-15 cs.LG stat.AP
Any-Quantile Probabilistic Forecasting of Short-Term Electricity Demand
Walmart(沃尔玛);Amazon(亚马逊);Czestochowa University of Technology(琴斯托霍瓦工业大学)
本文提出一种可预测任意分位数的通用分布预测方法,可无缝应用于两种神经架构,并在35条欧洲国家小时级电力需求时间序列上取得最先进的短期电力需求分布预测结果。
2024-10-04 cs.LG stat.ML
Electricity Price Forecasting Model based on Gated Recurrent Units
Qom University of Technology(库姆理工大学);London South Bank University(伦敦南岸大学)
在智能电网中,消费者和生产者对需求响应计划的参与有所增加,这降低了电力系统的投资和运营成本。此外,随着可再生能源的出现,电力市场变得更加复杂和不可预测。为了有效地实施需求响应计划,预测未来的电力价格是非常重要的电力市场中的生产者。电价波动性很大,受气温、风速、降雨量、商业和日常活动强度等多种因素的影响而变化,因此,将影响因素视为因变量可以提高预测的准确性。本文提出了一种基于门控递归单元的电价预测模型。在该模型中,电力负荷消耗被认为是一个输入变量。电价中的噪声严重降低了分析的效率和有效性。因此,自适应降噪器被集成到模型中用于降噪。然后使用SAE从去噪电价中提取特征。最后,去噪特征被馈送到GRU到训练预测器。对实际数据的分析结果表明,该方法能够有效地预测电价。
2022-07-28 cs.CV cs.LG
NSW-EPNews: A News-Augmented Benchmark for Electricity Price Forecasting with LLMs
The University of Sydney(悉尼大学)
该研究推出首个新闻增强的电价预测基准NSW-EPNews,含17.5万+价格数据及新闻、天气特征,评估发现传统模型增益有限,前沿LLM小幅提效但易出现幻觉,为多模态数值推理提供测试平台。
2025-05-22 cs.LG
DemandCast: Global hourly electricity demand forecasting
Open Energy Transition(开放能源转型)
本文提出基于XGBoost的机器学习框架,整合历史需求、天气和社会经济数据,构建多国多年数据集,实现准确可扩展的全球小时级电力需求预测,助力能源转型决策。
2025-10-09 cs.LG physics.soc-ph
Foundation models for electricity price forecasting and battery arbitrage: Can they replace market-specific forecasting models?
Wrocław University of Science and Technology(弗罗茨瓦夫科技大学);Aarhus University(奥胡斯大学)
该研究对比9种基础模型变体与两种电价预测基准,发现TabPFN模型统计表现最优但经济价值受策略影响,得出基础模型无法普遍替代特定市场模型的结论。
2026-09-02 cs.LG econ.EM
Recurrent Neural Based Electricity Load Forecasting of G-20 Members
预测关于负载的需要/需求的实际电量对于每个基于发电站的发电厂来说总是具有挑战性的任务。由于受电端电力需求的不确定性,导致了以下几个挑战:产生和接收终端站的性能参数的降低、收入的最小化,增加了公用事业预测公司未来能量需求的危险等。有了这些问题,在接收端站处的负载的精确预测对于在供应链和需求链之间建立完美的平衡是非常重要的参数。在本文中,G-20成员的负荷预测已经进行了利用递归神经网络结合滑动窗口方法的数据生成。在实验过程中,我们使用LSTM实现了16.2193 TWh的平均绝对测试误差。
2020-10-24 cs.LG eess.SP
Short-Term Electricity Load Forecasting Using the Temporal Fusion Transformer: Effect of Grid Hierarchies and Data Sources
University of Bamberg(班贝格大学)
本文研究了Temporal Fusion Transformer在不同时间范围和电网层级进行短期电力负荷预测的潜力,发现其在变电站层级日前预测和周前预测中显著优于LSTM模型。
2023-05-17 cs.LG
Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting
Institute of High Commercial Studies of Sousse (IHEC)(苏塞高等商业学院(IHEC))
准确的电价预测是市场参与者的主要管理目标,因为它代表了市场参与者利润最大化的基本基础。然而,电力是一种不可储存的商品,电价受一些社会和自然因素的影响,这使得电价预测具有挑战性。本研究探讨了一种新的混合模型的预测性能的基础上的广义长记忆自回归模型(k因子GARMA),Gegenbauer广义自回归条件异方差(G-GARCH)过程,小波分解,局部线性小波神经网络(LLWNN)优化使用两种不同的学习算法,反向传播算法(BP)和粒子群优化算法(PSO)。所提出的模型的性能进行评估使用的数据从北池电力市场。此外,它与其他一些参数和非参数模型进行了比较,以证明其鲁棒性。实验结果表明,该方法的性能优于其他竞争技术。
2022-04-18 cs.LG q-fin.ST
N-BEATS neural network for mid-term electricity load forecasting
Unity Technologies;Czestochowa University of Technology(琴斯特霍瓦理工大学);HEC Montréal(蒙特利尔高等商学院)
本文研究电力系统中期负荷预测问题。解决这个问题是必要的电力系统的运行和规划,以及在放松管制的能源市场的远期合同谈判。我们表明,我们提出的基于深度神经架构的深度神经网络建模方法在解决中期电力负荷预测问题方面是有效的。提出的神经网络具有很高的表达能力,解决非线性随机预测问题的时间序列,包括趋势,季节性和显着的随机波动。同时,它易于实现和训练,不需要信号预处理,并且它配备有预测偏差减小机制。我们将我们的方法与10种基线方法进行比较,包括经典的统计方法,机器学习和混合方法,对欧洲国家的35个月电力需求时间序列。实证研究表明,提出的神经网络明显优于所有竞争对手的准确性和预测偏差。代码可在这里:https://github.com/boreshkinai/nbeats-midterm.
2021-04-02 cs.LG eess.SP
Comparison of Forecasting Methods of House Electricity Consumption for Honda Smart Home
Eastern Mediterranean University(东地中海大学)
建筑物的用电量占城市能源消耗的主要部分。电力消耗预测有助于开发家庭能源管理系统,从而在未来设计出更可持续的房屋,并减少能源消耗总量。建筑物中的能源性能受到许多因素的影响,如环境温度,湿度和各种电气设备。因此,多变量预测方法比单变量预测方法更可取。本田灵巧家庭美国数据集被选中,以比较三种方法,最大限度地减少预测误差,MAE和RMSE:人工神经网络,支持向量回归,和模糊规则为基础的回归系统,通过构建许多模型,为每种方法的多变量数据集在不同的时间。比较表明,支持向量回归机是一种优越的方法。
2022-08-11 cs.AI cs.LG
Panel semiparametric quantile regression neural network for electricity consumption forecasting
Institute of Statistics and Data Science, Nanjing Audit University(南京审计大学统计与数据科学学院)
在长期深化改革开放的过程中,我国电力工业取得了巨大成就。然而,由于我国区域经济、社会和自然条件复杂,电力资源分布不均,造成我国部分地区缺电。因此,需要建立一个可靠的电力预测模型。在此基础上,本文将人工神经网络与半参数分位数回归相结合,提出了一种面板半参数分位数回归神经网络(PSQRNN)。PSQRNN可以探索变量之间潜在的线性和非线性关系,解释未观察到的省级异质性,同时保持参数模型的可解释性。将惩罚分位数回归与LASSO、岭回归和反向传播算法相结合训练PSQRNN。为了评估预测精度,基于3种情景对1999 - 2018年中国各省用电量进行了实证分析。结果表明,PSQRNN模型在考虑经济和气候因素的情况下,能够更好地预测电力消费量。最后,通过预测,给出了未来$5$年(2019-2023年)中国各省用电量。
2021-03-01 cs.LG econ.EM stat.ML
Deep Convolutional Neural Network Model for Short-Term Electricity Price Forecasting
National Central University(国立中央大学);National Pingtung University(国立屏东大学);Jiangxi University of Science and Technology(江西理工大学)
在现代电力市场中,电力交易是一个竞争异常激烈的行业。更准确的价格预测对于帮助电力生产商和交易商做出更好的决策至关重要。在本文中,一种新的方法,卷积神经网络(CNN)提出了快速提供小时预测在能源市场。为了提高预测精度,我们将全年电价数据按季节分为四类,分别对每一类进行训练和预测。通过与现有方法的比较,我们发现所提出的模型取得了优异的效果,每类的平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别约为5.5%和3。
2020-03-12 cs.LG cs.NE eess.SP
VMDNet: Temporal Leakage-Free Variational Mode Decomposition for Electricity Demand Forecasting
UKRI EPSRC Doctoral Training Partnership(UKRI EPSRC博士培训计划);UKRI EPSRC;AI for Collective Intelligence (AI4CI)(集体智能(AI4CI))
提出VMDNet框架,通过逐样本变分模态分解避免时间泄漏、频率感知嵌入和并行时间卷积网络建模各模态,并引入Stackelberg博弈双层优化选择超参数,在电力需求预测中超越现有方法。
2026-06-01 cs.LG
TRACE: A Reproducible Benchmark for Electricity Price Forecasting with Official Operational Text
University of Cambridge(剑桥大学)
TRACE是一个可复现的电价预测基准,结合官方运行文本与价格数据,评估语义一致性并验证预测价值,上尾损失中位数降低7.4%。
2026-10-20 cs.LG stat.ML
Ensemble Forecasting of Monthly Electricity Demand using Pattern Similarity-based Methods
Częstochowa University of Technology(琴斯托霍瓦工业大学)
本文提出了一种基于模式相似性的月电力需求集成预测方法。本研究所应用的PSFM包括$k$ -最近邻模型、模糊邻域模型、核回归模型和一般回归神经网络。PSFM的组成部分是使用时间序列序列模式的时间序列表示。模式表示通过趋势滤波和方差均衡保证了输入和输出数据的统一。创建了两种类型的集成:异构和同质。前者由不同类型的基础模型组成,而后者由单一类型的基础模型组成。五种策略用于控制同质方法中的成员多样性。使用不同的训练数据子集、不同的特征子集、随机干扰的输入和输出变量以及随机干扰的模型参数来生成多样性。实证说明适用于合奏模型以及个人PSFM比较,每月的电力需求预测为35个欧洲国家。
2020-03-29 cs.LG stat.ML
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
Electricity Load Forecasting -- An Evaluation of Simple 1D-CNN Network Structures
Regensburg Universität(雷根斯堡大学);OTH Regensburg(雷根斯堡应用技术大学)
本文提出了一种卷积神经网络(CNN),可用于预测未来36小时的电力负荷曲线。与成熟的CNN架构相比,输入数据是一维的。对网络参数进行参数扫描,以获得关于核大小、滤波器数目和密集大小的影响的信息。结果表明,用基本的CNN结构可以实现良好的预测质量,该方法不仅适用于数百个用户的平滑和负荷,而且适用于公寓楼的负荷。
2019-11-26 cs.LG stat.ML
Wholesale Electricity Price Forecasting using Integrated Long-term Recurrent Convolutional Network Model
University of Houston(休斯顿大学)
电价是影响市场参与者决策的关键因素。准确预测电价是非常重要的,也是非常具有挑战性的,因为电价是高度波动的,由于各种因素。本文提出了一种集成的长期递归卷积网络(ILRCN)模型来预测电价,考虑到大多数贡献的属性作为输入的市场价格。所提出的ILRCN模型结合了卷积神经网络和长短期记忆(LSTM)算法的功能以及所提出的新颖的条件误差校正项。组合ILRCN模型可以识别输入数据内的线性和非线性行为。我们使用ERCOT批发市场价格数据以及休斯顿地区的负荷分布、温度和其他因素来说明所提出的模型。建议ILRCN电价预测模型的性能进行了验证,使用性能/评估指标,如平均绝对误差和准确性。算例分析表明,与支持向量机模型、全连接神经网络模型、LSTM模型和不带条件误差修正阶段的LRCN模型相比,该模型具有更高的预测精度和更高的预测效率.
2021-12-23 cs.LG cs.SY eess.SY
A Transformer approach for Electricity Price Forecasting
Ericsson Cognitive Labs(爱立信认知实验室);Institute for Research in Technology (IIT)(技术研究 institute);Comillas Pontifical University(科米拉斯天主教大学)
本文提出纯Transformer模型用于电价预测,无需循环网络,经公平比较验证其优于传统方法,提升可重复性,助力可靠电力系统运行。
2025-09-10 cs.AI cs.LG
Electricity Demand Forecasting with Hybrid Statistical and Machine Learning Algorithms: Case Study of Ukraine
Europa-Universität Flensburg(弗伦斯堡欧洲大学);Europa-Universität Viadrina(奥得河畔法兰克福欧洲大学);DLR Institute of Networked Energy Systems(德国航空航天中心联网能源系统研究所)
本文针对乌克兰电力需求预测问题,提出一种融合宏观经济回归、ARIMA、ARMA与LSTM的混合模型,在17520个时间步的样本外预测中达到96.83%的准确率。
2023-04-11 cs.LG stat.AP
LIMREF: Local Interpretable Model Agnostic Rule-based Explanations for Forecasting, with an Application to Electricity Smart Meter Data
Monash University(莫纳什大学)
准确的电力需求预测在可持续电力系统中起着至关重要的作用。为了更好地做出决策,特别是针对最终用户的需求灵活性,不仅需要提供准确的预测,还需要提供可理解和可操作的预测。为了提供准确的预测,跨时间序列训练的全局预测模型(GFM)最近在许多需求预测竞赛和实际应用中显示出优于单变量预测方法的结果。我们的目标是填补全球预测方法的准确性和可解释性之间的差距。为了解释全球模型预测,我们提出了本地可解释模型不可知的基于规则的预测解释(LIMREF),一个本地解释器框架,为特定的预测产生k-最优的影响规则,考虑全球预测模型作为一个黑盒模型,在模型不可知的方式。它提供了不同类型的规则来解释全局模型的预测和反事实规则,这些规则为潜在的变化提供了可操作的见解,以获得给定实例的不同输出。我们使用大规模的电力需求数据集进行实验,这些数据集具有温度和日历效应等外生特征。在这里,我们评估质量的解释所产生的LIMREF框架在定性和定量方面,如准确性,保真度和可理解性和基准对其他本地解释者。
2022-02-15 cs.AI cs.LG
Bayesian Hierarchical Probabilistic Forecasting of Intraday Electricity Prices
Computational Statistics and Data Analysis, Institute of Mathematics, University of Augsburg(计算统计与数据分析研究所,数学学院,乌尔姆大学)
本研究首次对德国日内电力价格进行贝叶斯分层概率预测,采用OMP和正则化先验处理协变量,在2022年高波动数据上验证,相比基准和LASSO显著提升预测精度。
2024-11-27 cs.LG stat.AP
Short-Term Electricity-Load Forecasting by Deep Learning: A Comprehensive Survey
School of Computer Science and Engineering, Macau University of Science and Technology(澳门科学技术大学计算机科学与工程学院);School of Computer Science, University of Nottingham Ningbo(诺丁汉大学宁波校区计算机科学学院);Department of Engineering Science, Macau University of Science and Technology(澳门科学技术大学工程科学系)
本文综述近十年基于深度学习的短期电力负荷预测研究,梳理完整预测流程,指出当前研究挑战与未来潜在方向。
2025-05-18 cs.AI cs.LG
A Hybrid Model for Forecasting Short-Term Electricity Demand
Birkbeck - University of London(伦敦大学伯贝克学院)
目前,英国电力市场由监管机构每30分钟发布的负荷(需求)预测指导。预测需求的一个关键因素是天气状况,天气预报每小时发布一次。我们介绍HYENA:一种混合预测模型,它结合了特征工程(候选预测器特征的选择),移动窗口预测器和最后的LSTM编码器-解码器,以实现相对于文献中主流模型的更高准确性。HYENA在最佳基准模型上将MAPE损失降低了16%,RMSE损失降低了10%,从而为英国电力负荷(和电价)预测建立了一个新的技术水平。
2022-05-20 cs.AI cs.LG
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
Stealing profits: Spread-based temporal hierarchy forecasting for day-ahead electricity markets
Wrocław University of Science and Technology(弗罗茨瓦夫理工大学);Indicio Technologies AB(因迪西奥科技公司)
本研究提出时序层次预测框架,通过协调小时电价与日内价差预测,在欧洲两市场提升精度达19.7%、利润达10.4%,并揭示统计精度提升未必带来经济决策改善。
2026-09-22 cs.LG econ.EM q-fin.ST
Deep Time-Series Models Meet Volatility: Multi-Horizon Electricity Price Forecasting in the Australian National Electricity Market
School of Information Systems and the Energy Transition Centre, Queensland University of Technology(信息系统学院和能源转型中心,昆士兰理工大学)
本文提出了一种多时间跨度电力价格预测框架,评估了最先进的深度时间序列模型在澳大利亚电力市场中的表现,揭示了模型在高波动环境下的性能缺陷。
2026-02-13 cs.AI cs.LG
Anomaly Detection in California Electricity Price Forecasting: Enhancing Accuracy and Reliability Using Principal Component Analysis
U.S. Department of Energy(美国能源部);SAS Institute(SAS研究所)
本研究针对加州电网电价预测的复杂数据与异方差挑战,结合PCA、RPCA及SAS稀疏矩阵离群点去除方法优化特征,构建回归模型,显著提升日前电价预测准确性,助力可再生能源并网与电网管理。
2024-11-25 cs.AI cs.ET cs.LG
Probabilistic Forecasting of Day-Ahead Electricity Prices and their Volatility with LSTMs
Forschungszentrum Jülich(于利希研究中心);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Norwegian University of Life Sciences(挪威生命科学大学)
针对俄乌冲突后欧洲电价暴涨且波动剧烈的问题,提出一种基于LSTM的日前电价概率预测模型,通过联合预测均值与标准差实现概率输出,结合超统计学验证其可准确复现电价及波动率。
2023-10-05 cs.LG physics.data-an physics.soc-ph
Adaptive Methods for Short-Term Electricity Load Forecasting During COVID-19 Lockdown in France
Électricité de France R&D(法国电力公司研发部)
2019冠状病毒病(COVID-19)大流行促使世界上许多国家的政府实施严格的封锁,所有非必要的企业都被关闭,公民被命令留在家中。这项政策的后果之一是电力消费模式发生了重大变化。由于负荷预测模型依赖日历或气象资料,并根据历史数据进行训练,因此未能捕捉封锁导致的重大中断,且自疫情开始以来表现欠佳。这使得电力生产的调度具有挑战性,并且对于电力生产商和电网运营商都具有高成本。在本文中,我们介绍了自适应广义可加模型使用卡尔曼滤波器和微调,以适应新的电力消费模式。此外,转移意大利封锁的知识,以预测法国的行为变化。所提出的方法应用于预测法国封锁期间的电力需求,在那里他们证明了自己的能力,以显着减少预测误差相比,传统的模型。最后,专家汇总用于利用每个预测的具体性,并进一步增强结果。
2020-09-14 cs.LG stat.AP stat.ML
Forecasting the Intra-Day Spread Densities of Electricity Prices
London Business School(伦敦商学院)
电力交易商、仓储和电动汽车运营商对日内价差感兴趣。本文制定了动态密度函数,基于偏T和类似的表示,模型和预测德国的电力价格之间的价差不同的时间的一天,揭示了在一天前的拍卖。密度函数的四个规格是动态的,并取决于外部驱动程序,从而允许密度的位置,规模和形状参数,以每小时响应天气和需求预测等因素。每个价差的最佳拟合和预测规格是根据弹球损失函数选择的,遵循累积分布函数的封闭形式解析解。
2020-02-20 cs.LG econ.EM stat.AP
Recurrent Neural Networks with Linear Structures for Electricity Price Forecasting
University of Duisburg-Essen(杜伊斯堡- Essen大学)
本文提出了一种结合线性结构和递归神经网络的电力价格预测模型,通过提高计算效率和可解释性,在准确性上比现有方法提升了11%。
2026-01-28 cs.LG stat.ML
Masked Multi-Step Probabilistic Forecasting for Short-to-Mid-Term Electricity Demand
GE Research(通用电气研究中心);Upstart Power(Upstart Power公司)
预测具有不确定性的电力需求有助于电网的规划和运行,以向消费者提供可靠的电力供应。基于机器学习(ML)的需求预测方法可以分为(1)基于样本的方法,其中每个预测都是独立进行的,以及(2)时间序列回归方法,其中使用一些历史负荷和其他特征信息。在进行短期至中期电力需求预测时,可以获得一些未来信息,例如天气预报和日历变量。然而,在现有的预测模型中,这一未来信息并没有完全纳入。为了克服现有方法的这一局限性,我们提出了掩蔽多步多变量概率预测(MMMPF),一种新的和通用的框架,训练任何神经网络模型,能够生成一系列的输出,它结合了时间信息从过去和已知的信息对未来进行概率预测。在真实世界的数据集上进行了多个地区的短期到中期电力需求预测的实验,并与各种ML方法进行了比较。他们表明,所提出的MMMPF框架不仅优于基于样本的方法,而且优于具有完全相同的基本模型的现有时间序列预测模型。使用MMMPF训练的模型还可以生成所需的分位数,以捕获不确定性,并为未来的网格进行概率规划。
2023-02-14 cs.AI cs.LG eess.SP