理解训练计划对通过深度残差网络进行短期负荷预测的影响：一项实证研究

《Scientific Reports》：Understanding the influence of training schedules on short-term load forecasting via deep residual networks: An empirical study

　　

摘要

现代电力系统依赖于短期负荷预测（STLF）来实现可靠和高效的运行。尽管深度残差网络（DRNs）在STLF方面取得了出色的预测性能，但大多数现有研究主要关注架构上的改进，而对训练策略的影响关注较少。特别是，训练计划设计（尤其是训练周期的分配）的影响尚未得到充分研究。本研究在统一的多阶段快照集成框架下，探讨了训练周期分配对基于DRN的STLF的影响。在保持模型架构和优化设置不变的情况下，分析重点关注不同训练周期分配策略对收敛行为和泛化性能的影响。实验使用了两个真实世界的数据集：新英格兰独立系统运营商（ISO-NE）数据集和马来西亚八打灵再也（MyPJ）数据集，这两个数据集具有不同的时间特征。实验结果表明，最佳训练计划很大程度上取决于数据集的属性。ISO-NE数据集从较长的训练时间和较晚的快照提取阶段中受益，而MyPJ数据集由于短期变化性更强，在较早的训练阶段就能获得更好的预测性能。此外，基于主成分分析（PCA）的特征表示方法通过减少气象变量之间的冗余，提高了预测的稳定性并降低了预测误差。统计分析进一步证实了这些改进在统计上是显著的。总体而言，结果表明，合适的训练计划设计可以在不增加模型复杂性的情况下提升基于DRN的STLF性能。