[论文解读] Hour-Ahead Load Forecasting Using AMI Data

Sarwan Ali, Haris Mansoor+4 more|arXiv (Cornell University)|Dec 28, 2019

Energy Load and Power Forecasting被引用 2

一句话总结

该论文提出了一种基于矩阵分解的负荷预测方法（FMF），仅利用智能电表和天气数据，在无需人口统计或行为信息的前提下，实现对单个家庭的小时级负荷预测。FMF 显著优于现有最先进方法，在 RMSE 上相比回归树模型最低降低 26.5%，在 MAPE 上相比 LSTM 网络最低降低 73.2%。

ABSTRACT

Accurate short-term load forecasting is essential for efficient operation of the power sector. Predicting load at a fine granularity such as individual households or buildings is challenging due to higher volatility and uncertainty in the load. In aggregate loads such as at grids level, the inherent stochasticity and fluctuations are averaged-out, the problem becomes substantially easier. We propose an approach for short-term load forecasting at individual consumers (households) level, called Forecasting using Matrix Factorization (FMF). FMF does not use any consumers' demographic or activity patterns information. Therefore, it can be applied to any locality with the readily available smart meters and weather data. We perform extensive experiments on three benchmark datasets and demonstrate that FMF significantly outperforms the computationally expensive state-of-the-art methods for this problem. We achieve up to 26.5% and 24.4 % improvement in RMSE over Regression Tree and Support Vector Machine, respectively and up to 36% and 73.2% improvement in MAPE over Random Forest and Long Short-Term Memory neural network, respectively.

研究动机与目标

• 解决在家庭层面进行高波动性和高不确定性的短期负荷预测的挑战。
• 开发一种不依赖人口统计或活动模式数据的方法，确保在不同地区具有广泛适用性。
• 利用 readily available 的智能电表和天气数据，提升家庭层面的预测精度。
• 在 RMSE 和 MAPE 指标上均优于现有计算成本较高的最先进方法。

提出的方法

• FMF 使用矩阵分解来建模家庭负荷数据中的时间与空间模式，将负荷矩阵分解为低秩分量。
• 该方法采用协同过滤方法，即使在数据稀疏或噪声较大的情况下，也能捕捉家庭之间及时间上的潜在相关性。
• 将天气数据作为外部协变量引入，以增强时间序列预测的准确性。
• 模型在历史智能电表读数和天气观测数据上进行端到端训练，无需额外的用户特定元数据。
• FMF 通过正则化目标函数同时优化 RMSE 和 MAPE，平衡拟合精度与泛化能力。
• 该方法计算效率高，可实现大规模场景下的实时或近实时预测。

实验结果

研究问题

• RQ1 在不依赖人口统计或行为数据的前提下，矩阵分解能否有效建模细粒度的家庭负荷模式？
• RQ2 在小时级负荷预测中，FMF 与回归树、SVM、随机森林和 LSTM 等最先进方法相比，其预测精度如何？
• RQ3 在 FMF 框架中，引入天气数据在多大程度上提升了预测性能？
• RQ4 FMF 在具有不同家庭负荷特征的多样化数据集上是否具备可扩展性和鲁棒性？

主要发现

• 在基准数据集上，FMF 相较于回归树模型，RMSE 最低降低 26.5%。
• 相较于支持向量机基线模型，FMF 将 RMSE 最低降低 24.4%。
• 相较于随机森林模型，FMF 在 MAPE 上提升 36%。
• 相较于长短期记忆（LSTM）神经网络，FMF 在 MAPE 上提升 73.2%。
• 该方法在所有三个基准数据集上均持续优于所有基线模型，展现出强鲁棒性和泛化能力。
• 缺乏人口统计或活动数据并未影响性能，证实了该方法的广泛适用性。