应用介绍

智能电网等关键基础设施中的管理和高效运营充分利用了准确的电力负荷预测优势，由于其非线性特性，这仍然是一项艰巨的任务。近来，机器学习领域中出现了深度学习，在广泛的领域中均取得了令人印象深刻的性能从图像分类到机器翻译的各种任务。深度学习模型在电力负荷预测问题中的应用正在引起研究人员和整个行业的兴趣，但是在文献中尚无不同架构之间全面而合理的比较。这项工作旨在通过对比深度学习，通过审查和实验评估两个真实数据集的最新电力负荷预测趋势来填补空白。

短期预测（提前一天进行预测）的架构。具体来说，我们专注于前馈和递归神经网络，序列到序列模型和时间卷积神经网络以及体系结构变体，这在信号处理社区中是众所周知的，但是

对负荷预测是新颖的

＃内容和使用方法

####时间序列预测

该软件包包括几种可用于多步时间序列预测的深度学习架构。

该软件包还提供了一些实用程序，可以将预测问题转换为有监督的机器学习问题。

具体来说，使用滑动窗口方法：给每个模型一个大小为n <sub> T </ sub>的时间窗口并询问

####运行实验

``

python FILENAME.py --add_config FULLPATH_TO_YAML_FILE

```

要么：

``

python FILENAME.py --add_config FULLPATH_TO_YAML_FILE --grid_search

```

_grid_search_：定义是否在搜索最佳的超参数。

如果为True，则运行多个实验，每个实验都具有不同的超参数组合。

探索了所有超高聚物组合后，该过程终止。

_add_config_：应将实验的超级参数定义为config文件夹中的yaml文件

 Mongo Observer将所有信息存储在MongoDB中

如果要使用基于文件的记录器，请使用附加参数`--observer file'启动脚本。

（再次，默认选择是`--observer mongodb`）

如果您想使用**预训练权重**训练模型，只需运行提供参数--load的模型

然后是包含权重的文件的完整路径。

``

python FILENAME.py --add_config FULLPATH_TO_YAML_FILE --load FULLPATH_TO_WEIGHTS

```

在训练之前，将使用此权重初始化模型。

####数据集

-**个人家庭用电量数据集**：在近4年的时间内，以一分钟的采样率对一个家庭中的电力消耗进行测量。

[数据集和说明]个人+住所+电+电+功耗）。

-** GEFCom 2014 **：每小时消费量数据来自ISO新英格兰（总消费量）。

[数据集和说明]（http://blog.drhongtao.com/2017/03/gefcom2014-load-forecasting-data.html），

使用DTS，您可以以多种不同的方式对输入值进行建模，然后将其输入您喜欢的

深度学习架构。例如。：

-如果可用，您可以决定包括**外部功能**（例如温度读数）。

-您可以决定对时间序列应用“消除趋势”（有关更多详细信息，请参见`dts.datasets。*。apply_detrend`）。