环境增强的ES-dRNN,以动态关注短期负载预测.

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 时间序列分析时间序列分析

背景情况:

• 准确的短期负载预测 (STLF) 对电网管理至关重要.
• 现有的模型经常与复杂的依赖关系和动态数据变化作斗争.

研究的目的:

• 开发一种新的STLF模型,以提高准确性和稳定性.
• 利用混合架构和上下文信息来改善预测.

主要方法:

• 一种混合和等级架构,结合了指数式平滑 (ES) 和循环神经网络 (RNN).
• 一个双轨系统 (上下文和主要) 动态信息集成.
• 注意力扩展的复发细胞捕捉多个尺度的时间依赖.

主要成果:

• 拟议的模型显著优于其前身和标准统计/ML模型.
• 在35个不同的预测问题中表现出卓越的准确性.
• 成功捕捉短期,长期和季节性模式.

结论:

• 情境增强的混合模型在STLF中提供了显著的进步.
• 该架构有效地整合了多样化的时间信息,以准确预测负载.
• 该模型提供了点预测和可靠的预测间隔.