文献类型：期刊文章

作　　者：苏运[1] 卜凡鹏[2] 郭乃网[1] 田世明[2] 田英杰[1] 张琪祁[1] 瞿海妮[1] 柳劲松[1]

SU Yun;BU Fanpeng;GUO Naiwang;TIAN Shiming;TIAN Yingjie;ZHANG Qigi;QU Haini;LIU Jinsong(State Grid Shanghai Municipal Electric Power Company,Shanghai 200122,China;China Electric Power Research Institute,Beijing 100192,China)

机构地区：[1]国家电网上海市电力公司,上海200122 [2]中国电力科学研究院有限公司,北京100192

出　　处：《现代电力》

基　　金：国网上海市电力公司科技项目(52094016001Z)

年　　份：2019

卷　　号：36

期　　号：3

起止页码：58-65

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、JST、PROQUEST、RCCSE、ZGKJHX、核心刊

摘　　要：在电力系统负荷预测中,使用传统的单任务学习方法未考虑多个地点的负荷间的潜在关系,忽视关联信息在多个地点间传递的可能会导致学习效果欠佳。针对这一问题,本文提出基于低秩表示的多任务学习方法进行多个地点的多任务负荷预测,该方法在学习过程中可以提取不同位置的负荷预测模型的共享低维表示,从而可以挖掘多个任务之间的关联关系,同时又可以区别不同任务之间的差别。实验表明,多任务负荷预测的平均性能优于决策树和随机森林等单任务学习方法,在负荷预测的精度上有了一定的提升。

关 键 词：负荷预测 多任务学习 迁移学习  机器学习  低秩  

分 类 号：TM715]