Resumen

La previsin de la carga de los hogares plantea grandes retos como consecuencia de la elevada incertidumbre en el consumo individual del perfil de carga. Los modelos tradicionales basados en el aprendizaje automtico intentaban explorar la incertidumbre en funcin de la agrupacin, el anlisis espectral y la codificacin dispersa con caractersticas artesanales. Recientemente, las habilidades de aprendizaje profundo, como la red neuronal recurrente, intentan aprender la incertidumbre con codificacin de un solo disparo, que es demasiado simple y no eficiente. En este artculo, proponemos por primera vez una red neuronal convolucional profunda multitarea para la previsin de la carga de los hogares. La lnea base de una rama se basa en convoluciones dilatadas multiescala para la previsin de la carga. La otra rama, basada en un autocodificador convolucional profundo, se encarga de codificar el perfil de los hogares. Adems, se disea una estrategia de codificacin eficiente para el perfil de los hogares que sirve a un novedoso mecanismo de fusin de caractersticas integrado en la rama de previsin. La red que proponemos sirve de extremo a extremo en el proceso de entrenamiento e inferencia. Se realizaron suficientes estudios de ablacin para demostrar la eficacia de las innovaciones y la gran generalizacin en la previsin de carga puntual y probabilstica a nivel domstico, lo que ofrece una perspectiva prometedora en la respuesta a la demanda.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Retos; Incertidumbre; Aprendizaje profundo; Red neuronal; Previsión de la carga; Perfil de los hogares
• Keywords:Challenges; Uncertainty; Deep learning; Neural network; Load forecasting; Household profile