.png){kind=icon}
返回
Adaptive Multi-Task Learning for Probabilistic Load Forecasting
.png){kind=icon}
PRE
AI
DOI：10.1109/TPWRS.2025.3648811.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多实体（如区域、建筑物）的同时负荷预测对于电力系统的高效、可靠和经济的运行至关重要。准确的负荷预测是一个具有挑战性的问题，因为负荷需求固有的不确定性、消费模式的动态变化以及实体间的相关性。多任务学习已经发展成为一种强大的机器学习方法，能够同时学习多个相关的问题。然而，将其应用于负荷预测的研究尚不充分，且仅限于离线学习方法，无法捕捉消费模式的变化。本文提出了一种自适应多任务学习方法用于概率负荷预测。所提出的方法能够动态适应消费模式的变化和实体间的相关性。此外，所提出的技术为多个实体的负荷提供可靠的概率预测，并评估负荷的不确定性。具体而言，该方法基于向量值隐马尔可夫模型，并使用递归过程来更新模型参数，以提供基于最新参数的预测。通过包含多个实体的负荷需求且表现出多样化和动态消费模式的数据集对所提出的方法进行评估。实验结果表明，所提出的技术在预测性能和不确定性评估方面均优于现有方法。
Keyword:
Multi-task learning
probabilistic load forecasting
online learning
期刊
IF:
7.2
论文数:
1.1W
被引数:
5.0W
机构
引用论文
.png){kind=icon}
Using Bayesian Deep Learning to Capture Uncertainty for Residential Net Load Forecasting使用贝叶斯深度学习捕获住宅净负荷预测的不确定性
PREAI
分享收藏分享收藏Adaptive Methods for Short-Term Electricity Load Forecasting During COVID-19 Lockdown in France法国新型冠状病毒肺炎封锁期间短期电力负荷预测的自适应方法
OAAI
OAAI分享收藏
查看更多内容