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
Adaptive Ensemble Learning with Gaussian Copula for Load Forecasting
Southwest University(西南大学);State Grid Energy Research Institute Co., Ltd.(国网能源研究院有限公司)
针对数据稀疏影响负荷预测准确性的问题,提出含数据补全、ML构建和自适应集成三模块的高斯Copula自适应集成学习模型,实验证明其鲁棒性。
2025-08-25 cs.LG
Multivariate Empirical Mode Decomposition based Hybrid Model for Day-ahead Peak Load Forecasting
准确的日前高峰负荷预测不仅对电力调度至关重要,而且对投资者、能源政策制定者和政府都具有重要意义。文献表明,1%的预测误差下降可以减少1000万英镑的运营成本。因此,本研究提出了一种新的混合预测模型建立在多元经验模式分解(MEMD)和支持向量回归(SVR)的参数优化粒子群优化(PSO),这是能够捕捉精确的电力高峰负荷。本研究的新颖性主要来自于MEMD的应用,它使得多元数据分解能够在多元随时间恶化的过程中,有效地提取不同时间频率下相关变量之间的内在信息。来自澳大利亚新南威尔士州和维多利亚州的两个实际负荷数据集验证了MEMD-PSO-SVR混合模型的优越性。结果表明,MEMD-PSO-SVR方法是一种很有前途的方法,用于日前电力高峰负荷预测。
2021-10-28 cs.LG
SaDI: A Self-adaptive Decomposed Interpretable Framework for Electric Load Forecasting under Extreme Events
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);The University of Hong Kong(香港大学)
针对极端事件下电力负荷预测样本少、负荷波动大需可解释性的问题,提出整合多维度时间建模、外部变量触发损失与GAM的SaDI框架,在两类数据集上较SOTA算法预测性能平均提升22.14%。
2023-06-14 cs.LG
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
Electric Vehicle Charging Load Forecasting: An Experimental Comparison of Machine Learning Methods
University of Piraeus(比雷埃夫斯大学)
本文通过实验比较了多种机器学习方法在不同时间跨度和空间聚合水平下的电动汽车充电需求预测性能。
2026-03-31 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
Leveraging Wastewater Monitoring for COVID-19 Forecasting in the US: a Deep Learning study
University of Virginia(弗吉尼亚大学)
2019年底爆发的COVID-19是一场震惊世界的健康危机的开始,并在随后的几年中夺走了数百万人的生命。许多政府和卫生官员未能阻止感染在其社区的快速传播。潜伏期长,无症状病例比例大,使得COVID-19特别难以追踪。然而,废水监测很快就成为一个有前途的数据来源,除了常规指标,如确诊的每日病例,住院和死亡。尽管对废水病毒载量数据的有效性达成了共识,但缺乏利用病毒载量来改善COVID-19预测的方法。本文提出使用深度学习来自动发现每日确诊病例与病毒载量数据之间的关系。我们训练了一个深度时间卷积网络(DeepTCN)和一个时间融合Transformer(TFT)模型来构建全局预测模型。我们将每日确诊病例与病毒载量和其他社会经济因素作为协变量补充到模型中。我们的研究结果表明,TFT的表现优于DeepTCN,并学习了病毒载量和日常病例之间更好的关联。我们证明了,为模型配备病毒载量可以显着提高其预测性能。此外,病毒载量被证明是第二个最具预测性的输入,其次是遏制和健康指数。我们的研究结果揭示了在提供废水病毒载量数据时训练位置不可知的深度学习模型来捕获感染扩散动态的可行性。
2022-12-17 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
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
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
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
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
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
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
Short-term Load Forecasting at Different Aggregation Levels with Predictability Analysis
GEIRI North America(全球能源互联网北美研究院);University of Nebraska(内布拉斯加大学);State Grid Jiangsu Electric Power Company Ltd.(国网江苏省电力有限公司);State Grid US Representative Office(国家电网美国代表处)
短期负荷预测是保证电力系统可靠、经济运行的重要手段。虽然在过去的几十年里提出了许多STLF方法,他们中的大多数只集中在高聚合水平的负载。因此,低聚合负荷预测仍需要进一步的研究和发展。与变电站或城市级负荷相比,单个负荷通常更不稳定,预测更具挑战性。为了进一步解决这个问题,本文首先讨论了中小企业(SME)和居民负荷在不同的聚合水平的特点,并量化其可预测性与近似熵。各种STLF技术,从传统的线性回归到最先进的深度学习,被实施用于详细的比较分析,以验证预测性能以及使用爱尔兰智能电表数据集的可预测性。此外,本文还研究了如何使用数据处理,提高个人水平的居民负荷预测的可预测性低。数值结果验证了所讨论方法的有效性。
2019-03-26 cs.LG stat.ML
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
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
A Unifying Framework of Attention-based Neural Load Forecasting
University of California Santa Cruz(加州大学圣克鲁兹分校)
本文提出一个统一深度学习框架,融合时变特征加权、分层时间注意力与误差校正模块,在公共数据集上超越现有方法,为电力负荷预测提供有效方案。
2023-05-08 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
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
Load Forecasting in the Era of Smart Grids: Opportunities and Advanced Machine Learning Models
Arizona State University(亚利桑那州立大学)
本研究针对智能电网中的短期负荷预测,评估了XGBoost、LightGBM、LSTM、GRU及混合模型,并采用皮尔逊相关系数分析外生变量,实验证明机器学习模型优于ARIMA基线。
2025-05-14 cs.LG eess.SP
LoadCNN: A Low Training Cost Deep Learning Model for Day-Ahead Individual Residential Load Forecasting
University of Chinese Academy of Sciences(中国科学院大学)
准确的日前居民负荷预测对于智能电网在日前市场的各种应用具有重要意义。深度学习作为一种强大的机器学习技术,在负荷预测任务中显示出巨大的优势和广阔的应用前景。然而,深度学习是一种计算量巨大的方法,并且需要高成本(例如,时间、能量和CO2排放)来训练深度学习模型,这加剧了能源危机并给环境带来了巨大负担。因此,深度学习方法难以在真实的智能电网环境中推广应用。在本文中,我们提出了一个低训练成本的卷积神经网络模型,即LoadCNN,为第二天的负荷预测的个人居民与减少训练成本。实验表明,LoadCNN的训练时间仅为其他最先进模型的1/54左右,能耗和CO2排放量仅为基于相同指标的其他最先进模型的1/45左右。同时,我们的模型的预测精度与当前最先进的模型相当,使LoadCNN成为第一个同时实现高预测精度和低训练成本的负荷预测模型。LoadCNN是一种高效的绿色模型,能够在现实的智能电网环境中快速、经济、环保地部署。
2019-12-20 cs.LG cs.NE eess.SP
Short-Term Load Forecasting Using Time Pooling Deep Recurrent Neural Network
Qom University of Technology(库姆理工大学);London South Bank University(伦敦南岸大学)
可再生能源和电动汽车等新兴负载与智能电网的集成给配电系统管理带来了更多的不确定性。电力需求侧管理(DSM)是降低电力系统不确定性的有效途径之一。一些应用,如非侵入式负载监测(NILM)可以支持DSM,但它们需要高分辨率数据的准确预测。当涉及到像一个住宅家庭这样的单一负载时,由于其高波动性,这是具有挑战性的。在本文中,我们回顾了一些现有的基于深度学习的方法,并使用时间池深度循环神经网络提出了我们的解决方案。该方法利用时间池策略对数据进行扩充,能够更有效地克服过拟合问题和模型不确定性。仿真和实现结果表明,我们的方法优于现有的算法的RMSE和MAE指标。
2021-09-26 cs.CV 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
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
Research on short-term load forecasting model based on VMD and IPSO-ELM
Hunan University of Technology(湖南工业大学)
本研究提出一种结合VMD和IPSO-ELM的短期负荷预测模型,通过模态分解和优化算法提升预测精度与收敛速度。
2024-12-15 cs.LG cs.NE
Probabilistic Load Forecasting Based on Adaptive Online Learning
BCAM-Basque Center for Applied Mathematics(巴斯克应用数学中心(BCAM));IKERBASQUE-Basque Foundation for Science(巴斯克科学基金会(IKERBASQUE))
针对传统负荷预测无法评估不确定性、难捕捉消费模式动态变化的问题,提出基于隐马尔可夫模型自适应在线学习的概率负荷预测方法,经多数据集验证可在广泛场景下显著提升预测性能。
2024-08-15 cs.LG stat.ML
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
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
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
Short-term Load Forecasting with Distributed Long Short-Term Memory
University of Liverpool(利物浦大学);Suzhou SeeEx Technology Co., Ltd(苏州悉智科技有限公司)
随着智能电表的使用,零售商可以收集有关消费者行为的大量数据。从收集的数据中,零售商可以获得家庭简档信息并实施需求响应。虽然零售商更喜欢在不同的客户中获得尽可能准确的模型,但有两个主要挑战。首先,零售市场上的不同零售商并不分享其消费者的用电数据,因为这些数据被视为他们的资产,这导致了数据孤岛的问题。其次,电力负荷数据是高度异构的,因为不同的零售商可能服务于不同的消费者。为此,提出了一种基于共识算法和长短期记忆(LSTM)的全分布式短期负荷预测框架,该框架既能保护用户隐私,又能满足准确的负荷预测需求。具体而言,一个完全分布式的学习框架被利用分布式训练,并应用共识技术,以满足保密隐私。案例研究表明,所提出的方法在准确性方面与集中式方法具有相当的性能,但所提出的方法在训练速度和数据隐私方面具有优势。
2022-10-17 cs.LG cs.MA
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
Zero-shot Load Forecasting for Integrated Energy Systems: A Large Language Model-based Framework with Multi-task Learning
School of Automation Science and Engineering, Xi’an Jiaotong University(西安交通大学自动化科学与工程学院);School of Electronic Information Engineering, Shanghai Dianji University(上海电机学院电子信息工程学院);School of Energy and Power Engineering, Xi'an Jiaotong University(西安交通大学能源与动力工程学院);Eindhoven University of Technology(埃因霍温理工大学);School of Microelectronics, Xi’an Jiaotong University(西安交通大学微电子学院);State Key Laboratory for Manufacturing System Engineering Lab, Xi’an Jiaotong University(西安交通大学制造系统工程国家重点实验室)
提出基于大语言模型的多任务学习零样本负荷预测框架TSLLM,在20个澳大利亚家庭数据上验证,常规场景MSE 0.4163,零样本场景较现有方法提升至少12%。
2025-02-24 cs.AI cs.LG
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
Daily peak electrical load forecasting with a multi-resolution approach
CELESTE, Inria Saclay(法国国家信息与自动化研究所萨克雷研究中心,CELESTE);School of Mathematics, University of Bristol(布里斯托大学数学学院);EDF Lab(法国电力集团研究院)
在智能电网和负载均衡的背景下,每日峰值负载预测已成为能源行业利益相关者的关键活动。了解峰值大小和时间对于实施智能电网策略(如调峰)至关重要。本文提出的建模方法利用高分辨率和低分辨率信息来预测每日高峰需求的大小和时间。由此产生的多分辨率建模框架可以适应不同的模型类。本文的主要贡献是:a)一般和正式介绍的多分辨率建模方法,b)在不同的分辨率通过广义加性模型和神经网络和c)从英国电力市场的真实数据的实验结果实现的建模方法的讨论。结果证实,所提出的建模方法的预测性能是有竞争力的低和高分辨率的替代品。
2021-12-08 cs.LG stat.ME
National-scale electricity peak load forecasting: Traditional, machine learning, or hybrid model?
Yonsei University(延世大学)
由于气候变化和电气化,电力需求的波动性增加,准确的高峰负荷预测的重要性日益增加。传统的峰值负荷预测是通过基于时间序列的模型进行的;然而,最近,基于机器或深度学习的新模型正在引入。本研究通过比较时间序列、机器学习和混合模型的性能,进行比较分析,以确定韩国最准确的峰值负荷预测模型。时间序列模型采用带外生变量的季节性自回归积分移动平均(SARIMAX)。人工神经网络(ANN),支持向量回归(SVR)和长短期记忆(LSTM)用于机器学习模型。SARIMAX-ANN,SARIMAX-SVR和SARIMAX-LSTM用于混合模型。结果表明,混合模型表现出显着的改善SARIMAX模型。基于LSTM的模型优于其他模型;单一和混合LSTM模型没有表现出显着的性能差异。在2019年韩国最高峰值负荷的情况下,LSTM模型的预测能力被证明大于SARIMAX-LSTM模型。LSTM、SARIMAX-SVR和SARIMAX-LSTM模型的表现优于韩国目前使用的基于时间序列的预测模型。因此,韩国的峰值负荷预测性能可以通过包括机器学习或混合模型来提高。
2021-06-30 cs.LG cs.SY econ.EM
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
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
Analysis of Empirical Mode Decomposition-based Load and Renewable Time Series Forecasting
University of Saskatchewan(萨斯喀彻温大学);SaskPower(萨斯电力公司)
经验模态分解(EMD)方法及其变体已被广泛应用于负荷和可再生能源预测文献。使用这种多分辨率分解,时间序列(TS)相关的历史负荷和可再生能源发电分解成几个本征模式函数(IMF),这是不太非平稳和非线性。因此,理论上可以以显著更高的精度进行分量的预测。EMD方法容易出现几个问题,包括模态混叠和边界效应问题,但基于TS分解的负荷和可再生能源发电预测文献主要侧重于从预测精度的角度比较不同分解方法的性能;因此,这些问题很少被仔细研究。低估这些问题可能会导致预测模型在实时应用中的性能低下。本文探讨了这些问题及其在模型开发阶段的重要性。使用真实世界的数据,EMD为基础的模型,并说明边界效应的影响。
2020-11-23 cs.LG cs.SY eess.SP
Extending Load Forecasting from Zonal Aggregates to Individual Nodes for Transmission System Operators
School of Engineering, Stanford University(斯坦福大学工程学院);Technical University Munich(慕尼黑技术大学);Czech Technical University in Prague(布拉格捷克技术大学);University of Granada(Granada大学);Monash University(墨尔本大学)
针对输电系统运营商,提出多层级负荷预测系统,将预测从区域扩展到节点,兼顾准确性与可解释性,显著提升节点预测性能。
2025-09-02 cs.HC cs.LG cs.SY
Forte: An Interactive Visual Analytic Tool for Trust-Augmented Net Load Forecasting
New Jersey Institute of Technology(新泽西理工学院);Pacific Northwest National Laboratory(西北太平洋国家实验室);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
针对净负荷预测模型性能评估难、用户信任度不足的问题,本文提出可视分析工具Forte,支持探索深度概率预测模型在不同输入下的表现,通过可视化模拟场景提供洞见,提升预测信任度与电网能力。
2023-11-10 cs.AI cs.HC cs.LG
Interval Load Forecasting for Individual Households in the Presence of Electric Vehicle Charging
Western University(韦仕敦大学);London Hydro(伦敦水电公司)
针对现有家庭负荷预测多排除带家用充电桩住户、仅提供无不确定性信息的点预测的问题,提出结合LSTM与贝叶斯推理dropout层的LSTM-BNNs方法,实现带预测区间的高精度预测,且验证了疫情封控对模型性能无显著影响。
2023-06-05 cs.AI cs.LG cs.SY
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
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
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
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
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
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
Secure short-term load forecasting for smart grids with transformer-based federated learning
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
本文针对智能电网短期负荷预测中的隐私问题,提出基于Transformer的联邦学习方法,在保护用户数据隐私的同时实现准确预测,并通过与集中式学习、本地学习、LSTM和CNN的对比验证其有效性。
2023-10-26 cs.LG
TriForecaster: A Mixture of Experts Framework for Multi-Region Electric Load Forecasting with Tri-dimensional Specialization
DAMO Academy, Alibaba Group(阿里巴巴集团 DAMO 院);Institute for Clarity in Documentation(文档清晰研究所);Inria Paris-Rocquencourt(巴黎-鲁克蒙特研究所);Rajiv Gandhi University(拉朱·甘地大学);Tsinghua University(清华大学);Palmer Research Laboratories(帕勒研究实验室)
电力负荷预测是电力系统运行、规划和决策的关键。智能电网和电表的兴起提供了从家庭到公共汽车和城市的多粒度级别的更详细和高质量的负载数据。基于华东某省不同城市间相似的负荷模式,本文研究了多区域电力负荷预测(MRELF)问题,目标是在一个大区域内对多个子区域进行准确的短期负荷预测。我们确定了MRELF的三个挑战,包括区域变化,上下文变化和时间变化。为了解决这些问题,我们提出了TriForecaster,一个新的框架,利用混合专家模型(MoE)的方法在多任务学习(MTL)的范式,以克服这些挑战。TriForecaster具有RegionMixer和Context-Time Specializer(CTSpecializer)层,支持跨区域、上下文和时间维度的专家模型的动态协作和专业化。通过对四个不同粒度的真实MRELF数据集的评估,TriForecaster的平均预测误差降低了22.4%,从而证明了其灵活性和广泛的适用性。特别是在华东地区eForecaster平台上部署TriForecaster后,其实用性得到了充分体现,有效地为17个城市提供了城市级的短期负荷预测,支持人口超过1. 1亿,日用电量超过100千兆瓦时。
2025-08-13 cs.LG
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