[论文解读] Experimental Investigation of Variational Mode Decomposition and Deep Learning for Short-Term Multi-horizon Residential Electric Load Forecasting

Mohamed Aymane Ahajjam, Daniel Bonilla Licea+2 more|arXiv (Cornell University)|Feb 1, 2022

Energy Load and Power Forecasting被引用 5

一句话总结

本文提出了一种混合VMD-mWDN模型，通过变分模态分解（VMD）对居民负荷数据进行分解，并利用四级小波分解网络（mWDN）进行多时间尺度的电力消耗预测。该方法在K=127的VMD分解级别和I=4的mWDN级别下达到最优性能，优于最先进的模型和基线持久性方法，在摩洛哥家庭用电数据上表现出卓越的准确性。

ABSTRACT

With the booming growth of advanced digital technologies, it has become possible for users as well as distributors of energy to obtain detailed and timely information about the electricity consumption of households. These technologies can also be used to forecast the household's electricity consumption (a.k.a. the load). In this paper, we investigate the use of Variational Mode Decomposition and deep learning techniques to improve the accuracy of the load forecasting problem. Although this problem has been studied in the literature, selecting an appropriate decomposition level and a deep learning technique providing better forecasting performance have garnered comparatively less attention. This study bridges this gap by studying the effect of six decomposition levels and five distinct deep learning networks. The raw load profiles are first decomposed into intrinsic mode functions using the Variational Mode Decomposition in order to mitigate their non-stationary aspect. Then, day, hour, and past electricity consumption data are fed as a three-dimensional input sequence to a four-level Wavelet Decomposition Network model. Finally, the forecast sequences related to the different intrinsic mode functions are combined to form the aggregate forecast sequence. The proposed method was assessed using load profiles of five Moroccan households from the Moroccan buildings' electricity consumption dataset (MORED) and was benchmarked against state-of-the-art time-series models and a baseline persistence model.

研究动机与目标

• 通过信号分解与深度学习相结合，提升短期多时间尺度居民电力负荷预测的准确性。
• 在无外生变量的情况下，研究不同VMD分解级别对预测性能的影响。
• 评估并对比多种深度学习架构，包括一种新型的mWDN模型，在负荷预测中的表现。
• 基于真实世界的摩洛哥家庭用电数据，将所提出的混合方法与最先进的时间序列模型及持久性基线进行对比评估。
• 为住宅智能电网中的在线负荷预测提供一种实用且计算可行的框架。

提出的方法

• 使用变分模态分解（VMD）将原始居民负荷曲线分解为本征模态函数（IMFs），以降低非平稳性。
• 将分解后的IMFs作为三维输入序列（天、小时、历史用电量）输入四级小波分解网络（mWDN），以提取多分辨率模式。
• mWDN模型对每个IMF进行基于小波的分解，以捕捉多尺度下的分层时间特征。
• 将各IMF的预测序列重新组合，形成最终的总负荷预测结果。
• 使用来自MORED数据集的五个不同摩洛哥家庭的用电数据进行模型训练与评估，未引入温度等外生变量。
• 在相同条件下，将性能与历史均值、持久性模型以及最先进的深度学习模型进行基准对比。

实验结果

研究问题

• RQ1 在无外生变量的条件下，使居民负荷曲线预测精度最大化的最优VMD分解级别（K）是多少？
• RQ2 所提出的VMD-mWDN混合模型在性能上相较于独立的VMD、独立的mWDN以及其他最先进的模型表现如何？
• RQ3 将VMD与mWDN结合是否能提升不同家庭类型和用电模式下的预测精度？
• RQ4 不同分解级别（K）如何影响该模型在多个家庭和场景下的预测性能？
• RQ5 所提出的模型是否可在实际中实现低延迟实时部署，且计算开销在可接受范围内，适用于在线居民负荷预测？

主要发现

• 所提出的VMD-mWDN模型在所有评估模型中达到最高预测精度，显著优于持久性基线和最先进的模型。
• 在所有五个摩洛哥家庭及所有测试的深度学习架构中，K=127的VMD分解级别始终带来最佳预测性能。
• VMD带来的性能提升显著，VMD-mWDN混合模型在性能上优于独立的VMD和独立的mWDN模型。
• 分解级别K的影响是非线性的，仅当K≥8时性能提升才明显，最优增益出现在K=127。
• 具有四级结构（I=4）的mWDN模型在分解后负荷序列的多分辨率模式学习中展现出最佳特征提取能力。
• 该系统在计算上可行，适用于实时部署，30分钟的预测周期足以在低成本硬件上完成VMD分解、预处理和推理。