多任务电力负荷预测：参数共享与耦合分析

"这篇博士论文来自巴黎东大学，由Benjamin Dubois撰写，专注于多任务电力负荷预测，属于信号与图像处理领域的研究。该研究旨在解决变电站的次日电力需求预测，考虑到外部日历信息、天气预报以及历史电力需求数据，这在电力系统现代化背景下具有重要意义。随着新的发电方式和电力使用模式的变革，对电力需求预测的准确性提出了更高要求，特别是对输电系统运营商（TSO）来说，他们依赖于精确的预测来做出决策。 论文首先探讨了数据探索和电力负荷预测的动态文献，提出了一种通用的双变量线性模型，并对比了国家层面和本地层面的预测效果，揭示了变电站的共性和特性。作者进一步提出了多任务预测方法，旨在利用不同变电站之间的共同结构来提升预测效率和泛化性能。多任务学习的核心问题是确定哪些模型部分应耦合，以及如何耦合，以及如何评估这种方法的有效性。 论文详细分析了三种耦合假设，包括模型参数的聚类、低秩约束优化问题以及不同预测聚合级别的一致性。通过实证研究，作者证明了独立本地模型的参数数量过大，而参数共享和损失函数的优化可以显著改善预测性能。这些发现不仅有助于减少计算资源的消耗，还提升了预测的准确性，对于电力行业的规划和管理具有重要的实践价值。" 这篇博士论文深入研究了多任务预测技术在电力负荷预测中的应用，结合机器学习和大数据分析，为电力系统的决策支持提供了理论依据和方法论。通过模型的耦合与参数共享，它展示了如何在保证预测精度的同时，提高预测的效率，这对电力行业的未来发展具有积极的推动作用。