.png){kind=icon}
返回
Online Probabilistic Load Forecasts Considering Data Gaps
.png){kind=icon}
OA
AI
DOI：10.17775/CSEEJPES.2024.06300.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有负荷预测方法通常假设近期负荷数据可用于预测。这与实际情况不符，因为计量值获取时间与用电时间（flow date）之间存在时间差。为此，本文提出了一种基于在线学习的概率负荷预测方法，考虑了数据时间差的影响。具体而言，开发了一种自适应集成反向传播赋能的在线分位数回归算法，利用新获取的负荷观测值递归优化注意力网络的参数。为在显著数据时间差下进一步提高预测区间的可靠性和精确度，引入了在线区间校准技术。所提出的在线学习方法使我们能够自适应地捕捉负荷模式的动态变化，并缓解由数据时间差引起的信息滞后。利用真实数据集的比较测试揭示了所提出方法的优势。
Keyword:
Data gaps
online learning
probabilistic load forecasting
期刊
C
IF:
5.9
论文数:
1.1K
被引数:
5.4K
机构
查看更多机构
引用论文
暂无论文信息