基于深度学习和ARIMA模型的短期负荷预测的集成堆叠方法

短期负荷预测对于可靠的电力系统运行至关重要，而寻求增强方法论一直是一个不断的研究领域，特别是在一个日益竞争的环境中，市场运营商及其参与者需要更好地告知他们的决策。因此，继续在预测准确性和一致性方面取得进展是重要的。本文提出了一种基于深度学习的新型集成方法，用于24小时的负荷预测，在此过程中提出了一种自动框架，以选择最佳的Box-Jenkins模型（ARIMA预测模型），从广泛的组合中进行选择。该方法在参数上是独特的，但更重要的是考虑了不同批次的历史（训练）数据，从而受益于关注近期和较长负荷趋势的预测模型。随后，这些准确的预测，主要是负荷时间序列的线性成分，被输入到集成深度前馈神经网络中。这种灵活的网络架构不仅作为组合器运行，还接收更多的历史和辅助数据，以进一步增强其泛化能力。使用新英格兰市场数据的数值测试验证了所提出的集成方法，结合了多种基础预测模型，在与其他先进方法相比时，取得了令人鼓舞的结果.