20、电力短期负荷预测与在线学习行为分析：创新方法与应用

电力短期负荷预测与在线学习行为分析：创新方法与应用

在当今的科技发展浪潮中，电力系统的负荷预测以及在线学习行为的分析都有着重要的意义。电力负荷预测对于合理安排发电计划、稳定电力市场至关重要；而在线学习行为分析则有助于为学生提供个性化的学习策略和资源推荐。下面我们将分别介绍基于形状辅助的短期负荷预测方法和基于多维特征的在线学习行为分析。

基于形状辅助的短期负荷预测

背景与动机

随着现代电力系统和电力市场的快速发展，短期负荷预测（STLF）受到了广泛关注。由于电能难以大规模存储，负荷预测对于发电计划和电力市场价格有着重要影响。传统的相似日选择短期负荷预测方法，大多侧重于气象和日期因素，而忽略了负荷时间序列中的形状信息。为了充分利用序列的形状信息，本文提出了一种基于形状辅助的相似日选择方法。

方法介绍

1. 改进的K - Shape时间序列聚类方法
   • 聚类方法类型 ：时间序列聚类有三种方法，分别是基于统计特征（如方差、均值等）聚类、基于神经网络特征提取聚类和基于形状特征聚类。K - Shape是一种基于形状分析的无监督时间序列聚类方法，它采用了新的距离测量方法——形状距离（SBD），而非欧几里得距离，在许多开源数据集上取得了良好的效果。
   • 形状距离定义 ：给定两个时间序列 $\vec{x} = (x_1, …x_m)$ 和 $\vec{y} = (y_1, …y_m)$，通过互相关来确定它们的相似度。为了克服序列未正确对齐的问题，对 $\vec{x}$ 进行滑动操