基于先验引导的多尺度时间建模在行为驱动的住宅负荷预测中的应用 洪子杰(Zijie Hong) 周晓罗(Xiaoluo Zhou) 何宇倩(Yuqian He) 刘振宇(Zhenyu Liu)

《Electronics》:Prior-Guided Multi-Scale Temporal Modeling for Behavior-Driven Residential Load Forecasting Zijie Hong, Xiaoluo Zhou, Yuqian He and Zhenyu Liu

【字体: 大 中 小 】 时间:2026年05月09日 来源:Electronics 2.6

编辑推荐:

   摘要 准确的住宅负荷预测对于提高智能电网和需求响应应用中能源系统的效率和可靠性至关重要。然而,住宅负荷数据具有很强的随机性、高波动性和明显的多尺度时间动态特性,同时极易受到噪声和异常值的影响。这些挑战阻碍了现有方法有效捕

  

摘要

准确的住宅负荷预测对于提高智能电网和需求响应应用中能源系统的效率和可靠性至关重要。然而,住宅负荷数据具有很强的随机性、高波动性和明显的多尺度时间动态特性,同时极易受到噪声和异常值的影响。这些挑战阻碍了现有方法有效捕捉复杂的时间模式和学习可靠的变量间依赖关系,从而限制了预测的准确性和稳定性。为了解决这些问题,本文提出了一种基于先验指导的多尺度神经网络(PG-MSNN)用于多步住宅负荷预测。该框架将先验指导的依赖关系建模与多尺度时间表示学习集成在一个端到端可训练的架构中。具体而言,构建了一个可学习的周期性先验空间,在该空间内设计了一个先验引导模块(PGM),用于学习变量间的依赖关系并提供结构化的全局周期性指导。同时,开发了一个多尺度补丁LSTM编码器(MS-PLE),通过基于补丁的序列表示和自适应的跨尺度融合来模拟多个尺度上的时间动态。在包括IHEPC、REC和CN-OBEE在内的三个真实世界数据集上的广泛实验表明,在家庭内部的时间预测场景下,所提出的方法在各种预测时段内都取得了一致且具有竞争力的性能。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号