Многодневный прогноз бытового электропотребления
Ключевые слова:
прогнозирование нагрузок, глубокое обучение, RNN нейронные сети, ручные признаки, горизонт прогнозирования, рекурсивное прогнозирование, многодневное прогнозированиеАннотация
Прогнозирование нагрузок является ключевым этапом для обеспечения оптимального энергообмена и надежной работы энергосистем, особенно при активной интеграции распределенных возобновляемых источников энергии (DRES). Методы глубокого обучения получили широкое распространение среди исследователей благодаря их способности обобщать сложные нелинейные колебания электропотребления. В частности, рекуррентные нейронные сети наиболее подходят для моделирования электрического потребления, так как хорошо отражают временные зависимости. Данная работа направлена на дальнейшее совершенствование моделей RNN, построенных на основе исходных и вручную созданных признаков. Горизонт прогнозирования был расширен в соответствии с практическими требованиями. Сравнены два подхода многодневного прогнозирования, при этом предложенный метод показал лучшие результаты по сравнению с альтернативным рекурсивным методом прогнозирования.
Библиографические ссылки
Tang, X., Dai, Y., Wang, T., & Chen, Y. Short-term power load forecasting based on multi-layer bidirectional recurrent neural network. IET Generation, Transmission & Distribution, 2019. IET Research Journal
Cai, C., Tao, Y., Zhu, T., & Deng, Z. Short-Term Load Forecasting Based on Deep Learning Bidirectional LSTM Neural Network. Applied Sciences, 2021. MDPI
Yu, K., et al. Adaptive Bi-Directional LSTM Short-Term Load Forecasting with Improved Attention Mechanisms. Energies, 2024. MDPI
Xiong, N., Li, M., Li, K., Xiao, Z., Liao, L., & Wang, L. (2023). Multi-feature Short-Term Power Load Prediction Method Based on Bidirectional LSTM Network. In: ICNC-FSKD 2022. Lecture Notes Springer.
Ke, K., Hongbin, S., Chengkang, Z., Sun, H., & Brown, C. Short-Term Electrical Load Forecasting Method Based on Stacked Auto-encoding and GRU Neural Network. Evolutionary Intelligence, 2019.
Bohara, B., Fernandez, R. I., Gollapudi, V., & Li, X. Short-Term Aggregated Residential Load Forecasting using BiLSTM and CNN-BiLSTM. arXiv preprint, 2023.
Dong, M., & Grumbach, L. S. Hybrid Distribution Feeder Long-Term Load Forecasting Method Based on Sequence Prediction. arXiv preprint, 2018.
In, Y., & Jung, J. Y. Simple averaging of direct and recursive forecasts via partial pooling using machine learning. International Journal of Forecasting, 2022.
24-Step Short-term Power Load Forecasting Model Utilizing KOA-BiTCN-BiGRU-Attentions[v1]. Preprints.org, 2024.
Hybrid feature-based neural network regression method for load profiles forecasting. Energy Informatics, 2025.
G. Chevillon, “Direct multi-step estimation and forecasting,” 2007. doi: 10.1111/j.14676419.2007.00518.x.
Abdurazakov, Nosirbek N., et al. “Feature Engineering for Short Term Residential Load Forecasting Using RNN-Based Neural Networks.” International Conference on Environmental Design, Material Science, and Engineering Technologies. Cham: Springer Nature Switzerland, 2024.
Keras documentation on Time Distributed Layer. https://keras.io/api/layers/recurrent_layers/time_distributed/
