A Flow-Based Model for Conditional and Probabilistic Electricity Consumption Profile Generation and Prediction

住宅用电负荷配置（RLP）的生成和预测对于配电网络的运营和规划至关重要，特别是随着各种低碳技术的日益整合。本文介绍了一种新颖的基于流的生成模型，称为完全卷积配置流（FCPFlow），它是专为条件和无条件的RLP生成以及概率负荷预测而设计的。通过引入两个新层——可逆线性层和可逆归一化层——所提出的FCPFlow架构相比于传统统计和现代深度生成模型具有三个主要优点：1）它非常适合在连续条件下生成RLP，例如变化的天气和年度用电量；2）它在不同数据集中显示出比传统统计模型更优越的可扩展性；3）它还展示了比深度生成模型更好的建模能力，可以捕捉RLP的复杂相关性。

本文旨在解决住宅负荷曲线（RLP）生成和预测的问题，特别是在不断整合多样化低碳技术的情况下，为配电网络的运营和规划提供支持。

本文提出了一种新颖的基于流的生成模型——全卷积负荷流（FCPFlow），旨在为条件和无条件的RLP生成以及概率负荷预测提供独特设计。通过引入两个新层——可逆线性层和可逆归一化层——与传统统计学和现代深度生成模型相比，FCPFlow架构显示了三个主要优点：1）它非常适合在连续条件下生成RLP，例如不断变化的天气和年度电力消费；2）与传统统计模型相比，在不同数据集中具有更好的可扩展性；3）与深度生成模型相比，还表现出更好的建模能力，可以捕捉RLP的复杂相关性。

本文使用了两个数据集进行实验，并与其他生成模型进行了比较。实验结果表明，FCPFlow在RLP生成和概率负荷预测方面表现出色，具有更好的可扩展性和建模能力。此外，作者还提供了开源代码，为后续研究提供了便利。

在最近的相关研究中，还有一些探索使用生成模型进行RLP生成和预测的工作，如《Probabilistic Load Forecasting Using Deep Generative Models》、《Residential Load Forecasting Using Convolutional Neural Networks》等。