一种结合迭代特征选择的混合深度学习方法，用于考虑社会活动和用户行为的电力负荷预测

《Computational Visual Media》：A Hybrid Deep Learning Method With Iterative Feature Selection for Electric Load Forecasting Considering Social Activities and User Behaviors

　　

摘要：

电力负荷本质上反映了社会活动和用户行为的集体模式，因此对其准确预测是一项具有挑战性的任务。准确的电力负荷预测对于现代电力系统的规划、运行、调度和市场管理至关重要，尤其是在居民能源消费行为日益复杂的情况下。从数据驱动建模的角度来看，仅基于时间序列数据的传统负荷预测方法往往无法捕捉到需求波动背后的社会和行为因素。为了解决这些挑战，本文提出了一种创新的电力负荷预测方法，该方法结合了多因素分析和时间序列预测技术。首先通过结合社会和环境因素、特征分解以及基函数变换来构建一个全面的特征集。然后，提出了一种基于元启发式算法的特征选择和建模框架，该框架结合了模拟退火（SA）算法和混合深度学习架构。具体而言，它将选定的特征编码为SA算法的解，并通过一个包含注意力机制、卷积神经网络和长短期记忆网络的混合深度学习模型进行评估。通过这种方式，该方法能够有效捕捉负荷模式中的时间依赖性和社会行为影响。在26个真实世界的住宅电力负荷数据集上对所提出的方法进行了验证，结果表明预测性能直接反映了能源使用中的聚合社会行为。这种协同效应使得预测准确率达到了0.97，预测误差范围小于5%，并且该方法的表现优于几种现有的先进方法。这些结果突显了将社会系统因素与计算智能相结合的价值，展示了该方法在实际电力应用中的潜力...

显示更多