[论文解读] Electricity Load Forecasting -- An Evaluation of Simple 1D-CNN Network Structures

C. B. Lang, Florian Steinborn+2 more|arXiv (Cornell University)|Nov 26, 2019

Energy Load and Power Forecasting参考文献 8被引用 9

一句话总结

本文评估了一种用于短期电力负荷预测（36小时预测范围）的简单1D-CNN架构，使用聚合的家庭用电数据。结果表明，通过优化卷积核大小、滤波器数量和全连接层大小，基础CNN模型在公寓楼（40户）和城市街区（350户）的负荷曲线上的预测性能表现优异，优于未引入外部特征的标准负荷曲线。

ABSTRACT

This paper presents a convolutional neural network (CNN) which can be used for forecasting electricity load profiles 36 hours into the future. In contrast to well established CNN architectures, the input data is one-dimensional. A parameter scanning of network parameters is conducted in order to gain information about the influence of the kernel size, number of filters, and dense size. The results show that a good forecast quality can already be achieved with basic CNN architectures.The method works not only for smooth sum loads of many hundred consumers, but also for the load of apartment buildings.

研究动机与目标

• 评估简单1D-CNN架构在住宅能源系统中短期电力负荷预测（STLF）中的性能。
• 识别用于聚合负荷曲线预测的网络超参数——卷积核大小、滤波器数量和全连接层大小——的最优组合。
• 评估最小化CNN架构是否能在不引入外部气象或时间特征的情况下，优于标准负荷曲线。
• 分析模型复杂度对预测精度和泛化能力的影响，特别是过拟合现象。

提出的方法

• 在15分钟分辨率的40户和350户聚合家庭用电时间序列上训练1D-CNN模型。
• 网络架构由一个带有ReLU激活函数的1D卷积层组成，后接全局平均池化层和一个全连接（密集）层。
• 通过超参数扫描，对卷积核大小（3–15）、滤波器数量（8–64）和全连接层大小（1–16）进行调优，以均方误差（MSE）作为评估指标。
• 模型在CER智能电表项目提供的爱尔兰家庭用电数据（覆盖18个月）上进行训练和验证。
• 预测范围设定为144个时间步（36小时），时间间隔为15分钟。
• 通过热力图可视化结果，分析超参数之间的相互作用及其对MSE的影响。

实验结果

研究问题

• RQ1 在短期电力负荷预测中，简单1D-CNN的最优卷积核大小、滤波器数量和全连接层大小组合是什么？
• RQ2 模型复杂度（以参数数量衡量）如何影响预测精度和泛化能力？
• RQ3 最小化1D-CNN架构是否能在不引入外部特征（如气象或日历数据）的情况下，优于标准负荷曲线？
• RQ4 模型在40户和350户聚合负荷数据上的性能表现有何差异？

主要发现

• 在350户负荷曲线中，最佳预测性能对应全连接层大小为4–6个神经元，表明4–6个特征已足够表示时间序列。
• 对于40户负荷曲线，即使采用简单架构，最优配置也显著降低了MSE，优于标准负荷曲线。
• 全连接层大小为1时性能显著下降，证实额外的全连接层可提升预测质量。
• 大尺寸全连接层导致过拟合，表现为MSE上升，表明更高的模型复杂度会降低性能。
• 较小的卷积核大小（如3–5）通常优于过大或过小的核，尽管其影响程度低于其他超参数。
• 该模型在40户和350户负荷曲线中均以极简的架构复杂度实现了可靠的预测，表明对波动性负荷曲线而言，简洁性是关键。