【PR】基于聚类分析和稀疏罚分的电力时间序列分层预测
在大数据应用中，分层时间序列预测是决策的一个重要元素，它关系到通过对账方法保持的固有聚合一致性。本文提出了一种新的基于多选择聚类时间序列分析的分层电力时间序列预测方法。我们不是被动地坚持聚合一致性，而是首先利用时间序列挖掘来构建层次结构，然后应用最优协调方法来提高预测精度。特别地，采用k均值聚类方法对不同k的时间序列进行多次聚类，从而形成大量的时间序列聚类（模式），然后分别构建基于聚类的层次结构。针对大量的聚类层次结构和原有的地理层次结构，提出了一种基于最优聚合一致性协调的预测方法。此外，在我们的方法中，稀疏惩罚适用于“理想”聚类选择，以提高预测性能。与现实数据集上的最先进方法相比，我们的方法对电力负荷和太阳能数据的一步预测准确率分别提高了11.13%和24.07%。
