概率对抗网络（PANs）：一种基于概率信息的深度学习方法用于电力需求预测

《CSEE Journal of Power and Energy Systems》：Probabilistic-Adversarial Networks (PANs): A Probability-Informed Deep Learning Approach for Electrical Demand Forecasting

　　

摘要：

随着深度学习模型的发展，时间序列预测技术取得了显著进步。然而，现有的方法往往忽视了概率状态转换在处理时间不确定性中的作用。本文提出了一种基于概率对抗网络（PAN）的新型预测框架，该框架利用对抗架构将概率动力学嵌入到神经网络中。通过将概率推理纳入生成器和判别器架构，所提出的PAN提升了预测精度，并增强了模型处理序列数据中不确定性的能力。该框架在大型且变化剧烈的数据中心的电力需求时间序列以及规模较小、更具可预测性的学校的电力需求时间序列上进行了测试。实验结果表明，与不考虑概率的深度学习基准模型相比，该框架在两种类型的负载数据上都具有更好的性能，体现了PAN在应对各种预测挑战方面的灵活性。