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