原文信息：
Diffusion-based inpainting approach for multifunctional short-term load forecasting
原文链接：
https://www.sciencedirect.com/science/article/pii/S0306261924018257
Highlights
讨论了预测任务和图像修复任务之间的共性。
将扩散模型引入到短期负荷预测领域。
研究了内生、外生条件的高效嵌入方法。
所提方法可实现负荷序列的生成、预测和缺失填补。
Research gap
本文首先发掘图像修复任务与预测任务之间的共性，将Diffusion模型引入到负荷预测领域，并针对内生变量和外生变量的特点采用不同的条件嵌入方式，所提模型可同时实现负荷序列的生成、预测以及缺失填补等功能
Abstract
Short-Term Load Forecasting is of great significance for the economic and stable operation of the power system. Against the background of the breakthrough in generative artificial intelligence based on the Diffusion model, the research on relevant load forecasting methods of the latter is still relatively limited. Therefore, this paper refers to many related excellent works, analyzes the commonalities between image generation tasks and load forecasting tasks, and proposes the Diffusion-based Inpainting Forecasting Method (DIFM). DIFM supports multi-variable inputs and can achieve functions such as load sequence generation, quantile forecasting and missing data imputation, making it a flexible and multifunctional method. The feasibility and performance of this method are validated across multiple datasets, with experimental results revealing that DIFM reduces the mean absolute percentage error by 24.61 % and 17.91 % respectively in short-term load forecasting and load imputation tasks compared to the optimal benchmark models.
Keywords：
Short-term load forecasting 短期负荷预测
Diffusion model 扩散模型
Imputation 缺失填补
Multifunctional forecasting 多功能预测
Graphics
图1.图像修复与序列预测
图2. DIFM整体框架
图3. 反向过程中样本时-频域特征可视化
图4. DIFM进行不同时间长度的预测
图5. DIFM进行缺失数据填补
图6. DIFM利用相似日条件修正特殊节日预测结果
团队介绍
本研究由华南理工大学智能能源网及其自动化团队完成。
通信作者简介：
季天瑶，华南理工大学教授，博士生导师。研究方向包括信号处理、深度学习及其在电力系统和电力市场中的应用等。主持国家自然科学基金项目2项和省部级项目4项，发表SCI收录论文90余篇，获授权发明专利20余项。
第一作者简介：
张禄亮，华南理工大学副教授，硕士生导师。研究方向包括电力系统负荷预测、继电保护和故障定位等。主持国家自然科学基金项目1项和省部级项目4项，发表SCI/EI索引论文40余篇，获授权发明专利10余项。
第二作者简介：
蒋宗熹，华南理工研究生，研究方向为负荷预测、数据分析及信号处理。目前在Applied Energy期刊上发表研究论文2篇。
关于Applied Energy
本期小编：董增澳 ；审核人：蒋宗熹
《Applied Energy》是世界能源领域著名学术期刊，在全球出版巨头爱思唯尔 (Elsevier) 旗下，1975年创刊，影响因子11.2，CiteScore 21.1，谷歌学术全球学术期刊第49位，工程期刊第19位，可持续能源子领域第2位，本刊旨在为清洁能源转换技术、能源过程和系统优化、能源效率、智慧能源、环境污染物及温室气体减排、能源与其他学科交叉融合、以及能源可持续发展等领域提供交流分享和合作的平台。开源（Open Access）姊妹新刊《Advances in Applied Energy》现已被ESCI收录。2024年将获得第一个影响因子。全部论文可以免费下载。在《Applied Energy》的成功经验基础上，致力于发表应用能源领域顶尖科研成果，并为广大科研人员提供一个快速权威的学术交流和发表平台，欢迎关注！
公众号团队小编招募长期开放，欢迎发送自我简介（含教育背景、研究方向等内容）至wechat@applied-energy.org
点击“阅读原文”
喜欢我们的内容？
点个“赞”或者“再看”支持下吧！
