Hybrid deep learning models for medium-term electricity load forecasting

doi:10.1016/j.matcom.2026.07.047

Hybrid deep learning models for medium-term electricity load forecasting

2026-08-01

0

PRE

AI

DOI：10.1016/j.matcom.2026.07.047

原文链接

原文求助

摘要

En 中文

本文提出了一种用于中短期电力需求预测的混合模型，旨在实现从几周到几个月时间范围内的精确预测。单变量深度模型在较高时间范围内表现出性能显著下降，且无法充分建模电力需求的长期非线性关系和变化。为解决这些局限性，提出了一种结合确定性时间序列分解、使用深度扩张卷积网络（TitanResNet）进行残差建模以及利用LightGBM模型进行额外残差校正的方法。此外，元模型整合了两个互补组件，以在长期预测中实现更强的鲁棒性和稳定性。所提出的方法在所研究的数据集上取得了优异的长期预测性能，特别是在720至2160小时的时间范围内，MAPS约为4%，R-2 > 0.95。通过使用气候平均值生成未来特征，该框架保持了因果性，并在真实未来气象数据不可用时仍保持适用性。结果表明，残差学习、深度卷积、基于树的校正和校准阶段融合提供了一种稳健的预测框架，而该方法的更广泛应用需要在其他数据集上进行验证。

Keyword:

Electricity demand

Forecasting

Deep learning

Residual modeling

Hybrid forecasting framework

Long-horizon prediction

Hybrid deep learning models for medium-term electricity load forecasting

摘要

期刊

机构

引用论文