负荷预测相关 AI 资讯 · AITOP · AI热报

7月20日

10:40

10:40

官方账号arXiv cs.LG@Ramin Soleimani, Andrea Visentin, Dirk Pesch

该论文提出行为条件化注意力神经过程框架，将推断出的行为结构嵌入预测机制，而非仅作为外部分组信号。在SGSC数据集上，使用用户不相交的训练/验证/测试集和可变上下文长度，与标签无关的ANP基线相比，最佳变体平均降低MAE 7.9%和CRPS 6.9%。与固定窗口基线相比，该变体在所有评估预测范围上实现更低RMSE。结果表明该框架能实现跨异质家庭、上下文和预测范围的单模型不确定性感知预测。

论文 Neural Process 负荷预测 SGSC数据集

推荐理由：这篇论文用行为条件化神经过程做家庭用电预测，比基线方法MAE降了7.9%，特别适合处理不同家庭的用电习惯差异。

7月15日

09:06

09:06

官方账号arXiv cs.LG@Sarah Al-Shareeda, Gulcihan Ozdemir, Heung Seok Jeon

该论文提出一个统一的一日前概率预测框架，用于比较模块化事后残差分位数与集成模型内分位数学习两种方案。使用三种深度学习骨干网络（循环、混合循环、Temporal Fusion Transformer）在相同输入下进行评估。结果表明TFT上的集成分位数学习性能最优，MAPE为2.2-3.6%，RMSE为28-83W，且区间宽度比模块化方案窄约5倍。重建敏感性测试显示重建输入使分位数得分增加106%，但区间宽度几乎不变，说明模型未自动吸收重建不确定性。该研究揭示事后残差分位数在依赖重建输入时的局限性，并通过非DL基线和季节性验证支持排名。

论文 TFT 负荷预测概率预测

推荐理由：这篇论文教你怎么选负荷预测模型——TFT内部做分位数学习比事后校正靠谱，区间窄5倍，适合做精确调度。