Frugal day-ahead forecasting of multiple local electricity loads by aggregating adaptive models
聚合自适应模型的低成本多地电力负荷日前预测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究多条电力负荷时间序列的日前预测，并采用状态空间模型。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
聚合自适应模型的低成本多地电力负荷日前预测
- 研究问题
- 面对法国配电网一千多个变电站的负荷序列，如何在局部需求波动与大规模计算负担之间，获得兼顾预测精度和资源节约的日前预测？
- 方法与思路
- 作者结合广义加性模型与状态空间表示，只对少量序列估计模型，再通过专家聚合进行参数迁移，并比较不同迁移程度下的精度与计算成本。
- 材料陈述的贡献
- 摘要称，所选方法相较先进的单独建模方案具有竞争力，同时减少计算需求及相关排放，并保留有助于实际运营应用的模型可解释性。
- 阅读关注点
- 应核对训练序列选择、专家聚合和参数迁移规则，以及预测评估的时间划分；还需检查计算成本、排放和准确率如何共同衡量与比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未给出预测误差、节约幅度或排放测算方法，竞争力也不能解释为精度全面领先。
原文摘要
We focus on day-ahead electricity load forecasting of substations of the distribution network in France; therefore, our problem lies between the instability of a single consumption and the stability of a countrywide total demand. Moreover, we are interested in forecasting the loads of over one thousand substations; consequently, we are in the context of forecasting multiple time series. To that end, we rely on an adaptive methodology that provided excellent results at a national scale; the idea is to combine generalized additive models with state-space representations. However, the extension of this methodology to the prediction of over a thousand time series raises a computational issue. We solve it by developing a frugal variant, reducing the number of parameters estimated; we estimate the forecasting models only for a few time series and achieve transfer learning by relying on aggregation of experts. It yields a reduction of computational needs and their associated emissions. We build several variants, corresponding to different levels of parameter transfer, and we look for the best trade-off between accuracy and frugality. The selected method achieves competitive results compared to state-of-the-art individual models. Finally, we highlight the interpretability of the models, which is important for operational applications.