亮点：特征考虑的好复杂，集中模型的对比实验，工作日分开了
我们应用dnn以及其他机器电力短期负荷预测的学习技巧网格。所用数据取自周期性智能电表能量使用情况报告。
我们的结果表明，dnn的表现相当好。与传统方法相比。我们也展示如果引入动态定价，
如何使用这些结果以减少峰值负荷。
由于用电量不同在一周和周末之间，我们将数据分成两个新数据集：周末和每周数据。
数据集：
一年，由18个特征组成。数据集是分成3个部分进行尺寸的培训、验证和测试分别为65%、15%、20%。
选择的18个特征：
一些特征是前一小时和前两小时的电力负荷读数小时，前三小时，前一天同一小时，前一天前一小时前一天前两天小时，前2天，同一小时，前2天前一小时，前两天，前两小时，上周同一小时，过去24小时的平均值以及过去7天的平均值。其他功能（不包含电气负载读数）是一周，一天中的每一小时，如果是周末，如果是假日，温度和湿度。
总电力负荷这篇论文在一年中没有显著变化，因为这些家庭位于一个热带国家，全年气温保持相当稳定。
使用的模型：
选择了几种基线算法。它们包括加权移动平均（wma），其中y t+1=αy i+
βy i?167，α=0.05，β=0.95，多重线性回归（MLR）和二次（MQR），回归树（rt）最小分支节点数为8，线性核支持向量回归
多层感知（MLP），具有隐藏的数量神经元100个。
深层模型：
deep-neuric无预培训的网络（DNN-W），有预培训的网络
使用堆叠自动编码器（dnn-sa），复发神经网络（RNN）、RNN和长期短期内存（RRN-LSTM）。
这哥们说DNN效果比LSTM好
按星期对误差进行了分析
