.png){kind=icon}
返回
A Spatial Long-Term Load Forecast Using a Multiple Delineated Machine Learning Approach
.png){kind=icon}
OA
AI
DOI：10.3390/en18102484.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
维持发电与用电之间的平衡对于确保电网稳定性和防止中断至关重要。空间负荷预测（SLF）预测地理电力需求，从而有助于电力系统规划。然而，传统方法如多元线性回归和自回归积分滑动平均难以捕捉历史数据中的复杂时空模式。先进方法如时空图转换器、图卷积网络和改进的尺度限制动态时间规整能更好地捕捉这些依赖关系，从而提高预测精度。尽管取得了进展，挑战依然存在，特别是在数据有限且不可靠的发展中国家。本文提出了一种新颖的SLF方法，该方法基于区域特征和经济活动将电网划分为预定义的集群。对于每个集群，定制化的长短期记忆（LSTM）模型捕捉独特的时空依赖关系以实现更准确的预测。该方法使用来自喀麦隆国家电力传输公司和能源公用事业公司的真实世界数据，在五个负荷集群上进行了测试。与线性回归模型相比，结果在平均绝对百分比误差、均方根误差、平均绝对误差和R²分数等指标上展示了LSTM方法的优势。该方法凸显了在数据受限地区进行增强型、本地化负荷预测的潜力。
Keyword:
spatial load forecasting
network planning
LSTM model
期刊
IF:
3.2
论文数:
1.6W
被引数:
14.2W
机构
引用论文
Alternative spatial approach on spatial demand forecasting for transmission expansion planning用于输电扩展规划的空间需求预测的替代空间方法
.png){kind=icon}
PREAI
分享收藏A Multi-Scale Spatial-Temporal Graph Neural Network-Based Method of Multienergy Load Forecasting in Integrated Energy System基于多尺度时空图神经网络的综合能源系统多能负荷预测方法
PREAI
分享收藏
分享收藏Long Term Electricity Load Forecast Based on Machine Learning for Cameroon’s Power System基于机器学习的喀麦隆电力系统长期电力负荷预测OAAI
OAAI分享收藏分享收藏
查看更多内容