通过聚合自适应模型,对多个本地电力负载进行节的前日预测

科学领域:

• 电气工程 电气工程
• 数据科学数据科学数据科学
• 应用数学 应用数学 应用数学

背景情况:

• 准确的前一天电力负载预测对于配电网的稳定性至关重要.
• 预测多个变电站的负载是一个重要的多个时间序列挑战.
• 当前的国家规模的方法在应用于大量个别时间序列时面临计算局限性.

研究的目的:

• 为法国一千多个配电网络变电站开发一套高效准确的前一天电力负载预测方法.
• 为应对应用复杂预测模型对大量时间序列的计算挑战.
• 在预测准确性和计算节性之间找到最佳的权衡.

主要方法:

• 结合了一般化的增值模型与状态空间表示,用于时间序列预测.
• 通过转移学习和专家聚合来减少估计参数,开发了一个节的变体.
• 估计时间序列子集的预测模型,并将知识传递给其他人.
• 调查了几种变体,具有不同级别的参数传输.

主要成果:

• 节的方法大大减少了计算需求和相关的排放.
• 与单个模型相比,实现了竞争力的预测准确性.
• 证明了转移学习和专家聚合用于大规模预测的有效性.
• 确定了准确性和计算节性之间的有利平衡.

结论:

• 拟议的节方法提供了一种有效的解决方案,用于在配电网络中进行大规模的前一天电力负载预测.
• 转移学习和专家聚合是克服多个时间序列预测中的计算障碍的关键.
• 开发的模型保持可解释性,这对于实际的作战部署至关重要.