Resumen

La predicción de carga residencial es importante para muchas entidades en el mercado eléctrico, pero el perfil de carga de una sola residencia muestra más volatilidades e incertidumbres. Debido a la dificultad para producir pronósticos puntuales confiables, la predicción probabilística de carga se vuelve más popular como resultado de capturar la volatilidad e incertidumbre mediante intervalos, densidad o cuantiles. En este documento, proponemos una red neuronal profunda de regresión cuantil unificada con cognición temporal para abordar este desafiante problema. En primer lugar, se diseña una red neuronal convolucional con convolución multiscale para extraer más características de comportamiento de la secuencia de carga histórica. Además, un novedoso método de codificación periódica marca el modelo para mejorar su capacidad de capturar el patrón de carga regular. Luego, las características generadas de ambos subredes se fusionan y se introducen en el modelo de pronóstico de manera end-to-end. Además, una función de pérdida de cuantil globalmente diferenciable

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Pronóstico de carga residencial; Pronóstico de carga probabilístico; Red neuronal profunda de regresión cuantil; Red neuronal convolucional; Método de codificación periódica; Función de pérdida cuantil
• Keywords:Residential load forecasting; Probabilistic load forecasting; Quantile regression deep neural network; Convolutional neural network; Periodical coding method; Quantile loss function