arrow
返回

Improving Residential Load Forecasting Accuracy Through Semi-Supervised Multi-Binary Classifier Framework

delete2025-01-01
delete0
delete
OA
AI
徐
徐畅 (Chang Xu)
W
Wong Jee Keen Raymond
H
Hazlie Mokhlis
H
Hazlee Azil Illias
N
Naoki Hayashi
M
Masahiro Inuiguchi
DOI:10.1109/ACCESS.2025.3626461delete
delete原文链接
delete分享
delete收藏
查看原文
摘要

摘要

En 中文
分布式能源资源与智能电网的日益融合,凸显了对准确的家庭级负荷预测的需求。然而,单户家庭消费的高变异性对传统模型构成了挑战。本研究提出了一种半监督的多二元分类器框架,通过从每日负荷曲线中提取结构特征来提高预测精度。具体而言,负荷形状被分为五种可解释的类型(单峰、双峰、三峰、四峰和高变异),并转换为二元特征数组,作为预测模型的补充输入。利用这些特征,在CER数据集上,CNN+BiLSTM模型将RMSE从0.2811降低至0.2209,而在LCL数据集上,Transformer+MLP模型将SMAPE从40.17%降低至37.66%,同时MAE也得到了持续改善。此外,与基于聚类的K-means等方法相比,所提出的框架在计算成本显著降低的情况下,实现了可解释的预测结果。这些结果表明,该框架为住宅负荷预测提供了可解释、可扩展且实用的增强方案。
Keyword:
Bi-LSTM
CNN
load forecasting
pattern recognition
residential energy consumption
semi-supervised learning
smart grids
AI总结

AI总结

对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。

期刊

IEEE Access 封面图
IEEE Access
IF:
3.6
论文数:
9.8W
被引数:
36.3W

机构

T
The University of Osaka
学者数:
1.1K
论文数: 380
被引数: 5.2K
F
faculty of engineering
学者数:
0
论文数: 1
被引数: 720
引用论文

引用论文

暂无论文信息