PulseAugur
中
实时 06:12:20
English(EN) Delta-Based Target Reformulation for Short-Term Electricity Load Forecasting Using LSTM and Transformer Models

新方法利用深度学习改进电力负荷预测

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种基于Delta的目标重构方法，用于使用LSTM和Transformer等深度学习模型的短期电力负荷预测。该方法预测时间步长之间的负荷变化，而不是绝对负荷，旨在稳定学习过程。使用来自印度和NASA POWER气象数据进行的实验表明，这种重构显著提高了提前一小时的预测精度，将神经网络的MAPE降低了50%以上，尽管其有效性因模型和预测范围而异。 AI

影响 这项研究提供了一种提高短期电力负荷预测准确性的新颖方法，有望实现更高效的电网运行。

排序理由 该集群包含一篇研究论文，详细介绍了使用深度学习模型的电力负荷预测新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新方法利用深度学习改进电力负荷预测

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Vansh Bansal ·

    基于Delta的目标重构用于使用LSTM和Transformer模型的短期电力负荷预测

    arXiv:2606.17692v1 Announce Type: new Abstract: Accurate short-term electricity load forecasting is critical for the reliable and economic operation of modern power systems, under non-stationarity arising from weather variability, calendar effects, and evolving consumption patter…

  2. arXiv cs.LG TIER_1 English(EN) · Vansh Bansal ·

    基于Delta的目标重构用于LSTM和Transformer模型的短期电力负荷预测

    Accurate short-term electricity load forecasting is critical for the reliable and economic operation of modern power systems, under non-stationarity arising from weather variability, calendar effects, and evolving consumption patterns. While deep learning models such as LSTMs and…

相关实体

相关话题