DHFF: 소수 샷 피더 수준의 공조 부하 예측을 위한 동적 메타 학습 프레임워크

피더 수준에서의 공조(AC) 부하를 정확하게 예측하는 것은 목표 수요 반응의 효과적인 구현과 효과적인 피크 부하 관리를 위해 필수적입니다. 그러나 특히 새로운 피더에 대해 데이터 이질성과 부족으로 인해 도전받고 있습니다. 전통적인 방법은 이러한 조건에서 종종 실패합니다. 본 논문에서는 효율적인 소수 샷 부하 예측을 위해 명시적으로 설계된 메타 학습 기반 동적 계층 예측 프레임워크(DHFF)를 제안합니다. 핵심 게이팅 네트워크는 컨텍스트에 따라 글로벌 통합 모델과 피더 특화 모델의 예측을 동적으로 융합합니다. 프레임워크의 효과는 이중 테스트 시나리오를 통해 검증되었습니다. 데이터가 풍부한 환경에서 0.0135의 RMSE를 기록하며 강력한 LSTM 기준보다 거의 80% 향상된 뛰어난 성능을 달성했습니다. 또한, 엄격한 소수 샷 실험을 통해 극심한 데이터 부족(예: 5% 데이터)에서도 DHFF가 표준 접근 방식에 비해 지능적으로 일반화된 지식을 활용하여 7.01% 향상된 우수한 정확성을 보여주었습니다. 이러한 결과는 DHFF가 데이터 부족과 데이터가 풍부한 피더 예측 시나리오 모두에서 적응형 고성능 솔루션으로 검증됩니다.