CLM-former para mejorar la predicción de series temporales y la predicción de carga multihorizonte en microrredes...

Área de la Ciencia:

• Ingeniería Eléctrica
• Inteligencia Artificial
• Ciencia de Datos

Sus antecedentes:

• La predicción de carga multhorizonte precisa es crucial para la estabilidad y eficiencia de la red inteligente.
• Los modelos Transformer como Autoformer capturan la periodicidad pero luchan con los cambios rápidos de los datos del mundo real.
• El consumo de electricidad residencial exhibe tendencias a largo plazo complejas y fluctuaciones a corto plazo.

Objetivo del estudio:

• Desarrollar una arquitectura novedosa de aprendizaje profundo para mejorar la predicción de carga residencial.
• Mejorar la precisión de las predicciones de consumo de electricidad multhorizonte.
• Abordar las limitaciones de los modelos existentes para capturar patrones localizados y dinámicos.

Principales métodos:

• Se propuso CLM-Former, una arquitectura híbrida de aprendizaje profundo.
• Se integró la descomposición de series temporales, la atención basada en autocorrelación y una subred convolucional-recurrente (CLM-subNet).
• Se evaluó el rendimiento en datos de medidores inteligentes del mundo real frente a modelos de referencia.

Principales resultados:

• CLM-Former demostró un rendimiento robusto y adaptable en múltiples horizontes de pronóstico.
• El modelo capturó eficazmente tanto las dependencias estacionales como las variaciones de uso de electricidad de alta resolución.
• Superó a varias líneas de base basadas en Transformer y de aprendizaje profundo en evaluaciones exhaustivas.

Conclusiones:

• CLM-Former es una herramienta prometedora para la predicción de energía residencial.
• La arquitectura híbrida modela con éxito las tendencias periódicas a largo plazo y la dinámica a corto plazo.
• Los hallazgos tienen implicaciones significativas para la gestión de la demanda y la gestión de redes inteligentes.