荐文 | 时序预测中的深度学习：以电力负载预测为例

时序预测中的深度学习：

以电力负载预测为例

作者：A Gasparin, S Lukovic, C Alippi

本文全面综述了基于深度学习架构进行预测这一领域的工作，并应用到与之非常相关的智能电网电力负载预测的研究中。

文章组织结构如下：第2章介绍了预测问题模型以及文中使用到的符号定义。之后章节分别介绍了前馈神经网络和与学习预测任务相关的概念定义；递归神经网络的总体概述和目前最先进的两种变体架构：长短时记忆网络和门控递归单元网络；接下来详述了序列到序列结构（seq2seq）对递归神经网络的提升；同时也分析了卷积神经网络和时域卷积网络。最后，作者介绍了来自真实场景的数据集，可以用于对各个方法模型进行性能对比。

文章的重点在于：

◾ 全面综述分析了深度学习框架在预测任务方面的工作；

◾ 通过实验展示了深度学习在电力负载预测任务上的应用；

◾ 提供了一套开源代码库，方便研究者和实际人员调整深度学习预测模型以适应相关应用场景。

推荐评语

文章综述了基于深度学习的时间序列预测方法，并给出了在电网负荷预测方面的应用比较。首先给出了时序预测的问题描述，详细介绍了几种神经网络的具体解决方法，包括前向神经网络，递归神经网络，编码解码器，卷积神经网络。最后通过三个典型的电网负荷预测问题，比较了上述方法的性能差别。以开源的形式给出，方便读者根据实际需要进行适应性地调整应用。对于计算智能领域、电力系统领域等研究人员，都有非常好地借鉴参考作用。

—— 赵冬斌研究员

中国科学院自动化研究所

本文对时间序列预测中常用的计算方法，尤其是前馈和递归神经网络、序列到序列模型、时间卷积神经网络等深度学习算法在短期负荷预测中应用的可信性进行了重点分析。通过不同算法的对比分析，论证了上述三种方法的可信性，并展望了深度学习算法在智能电网中各类负荷预测的可行性。在具备时序变化特征的各类非线性发电或负荷功率预测中，本文所提到的不同深度学习方法应用也将值得期待。但如何让负荷或新能源发电预测模型具备自适应深度学习能力且达到令人信服的性能将是后续值得我们深入探索和研究的挑战性课题。

—— 李相俊研究员

中国电力科学研究院

全文如下，后台回复“深度学习”获取下载链接