[论文解读] Household Electricity Demand Forecasting -- Benchmarking State-of-the-Art Methods

Andreas Veit, Christoph Goebel+3 more|arXiv (Cornell University)|Apr 1, 2014

Energy Load and Power Forecasting被引用 16

一句话总结

本文使用两个高分辨率数据集，在家庭用电需求预测任务中对最先进的预测方法——ARIMA、指数平滑和神经网络——进行了基准测试，评估了从15分钟到24小时不等的时间跨度内，滑动窗口和日期类型分组等策略的效果。尽管采用了先进方法，但持久性预测在许多情况下仍优于这些方法，平均绝对百分比误差（MAPE）范围从5%到100%以上，表明短期家庭负荷预测仍存在显著改进空间。

ABSTRACT

The increasing use of renewable energy sources with variable output, such as solar photovoltaic and wind power generation, calls for Smart Grids that effectively manage flexible loads and energy storage. The ability to forecast consumption at different locations in distribution systems will be a key capability of Smart Grids. The goal of this paper is to benchmark state-of-the-art methods for forecasting electricity demand on the household level across different granularities and time scales in an explorative way, thereby revealing potential shortcomings and find promising directions for future research in this area. We apply a number of forecasting methods including ARIMA, neural networks, and exponential smoothening using several strategies for training data selection, in particular day type and sliding window based strategies. We consider forecasting horizons ranging between 15 minutes and 24 hours. Our evaluation is based on two data sets containing the power usage of individual appliances at second time granularity collected over the course of several months. The results indicate that forecasting accuracy varies significantly depending on the choice of forecasting methods/strategy and the parameter configuration. Measured by the Mean Absolute Percentage Error (MAPE), the considered state-of-the-art forecasting methods rarely beat corresponding persistence forecasts. Overall, we observed MAPEs in the range between 5 and >100%. The average MAPE for the first data set was ~30%, while it was ~85% for the other data set. These results show big room for improvement. Based on the identified trends and experiences from our experiments, we contribute a detailed discussion of promising future research.

研究动机与目标

• 评估并比较不同时间粒度和预测时长下，最先进的短期家庭用电需求预测方法。
• 识别现有预测技术在实际家庭用电数据应用中的性能瓶颈。
• 探究将分解后的电器级数据或定制化训练策略（如按日期类型分组）是否能提升预测精度。
• 评估ARIMA和神经网络等高级模型在未针对家庭特定模式单独调优时的可行性。
• 通过识别事件建模和传感器融合等有前景的方向，为未来研究提供指导。

提出的方法

• 对秒级分辨率的家庭用电数据应用单变量时间序列预测方法：ARIMA、指数平滑和前馈神经网络。
• 评估三种训练数据选择策略：滑动窗口、日期类型（如工作日与周末）以及分层日期类型（如工作日上午、晚间）。
• 使用平均绝对百分比误差（MAPE）作为主要指标，比较不同方法、时间粒度（15分钟至60分钟）和预测时长（15分钟至24小时）下的预测精度。
• 采用两个真实世界数据集：来自慕尼黑工业大学（TUM）和麻省理工学院（MIT）的数据集，均包含高分辨率的电器级功率测量数据。
• 探索数据预处理的影响，包括从人员活动、温度和光照传感器中提取特征，以及检测开关机事件。
• 研究基于事件的建模方法，利用马尔可夫模型从离散电器事件（而非连续瓦特读数）中预测用电模式的潜力。

实验结果

研究问题

• RQ1 在不同时间粒度和预测时长下，ARIMA、指数平滑和神经网络在家庭用电需求预测中的表现如何比较？
• RQ2 与通用的滑动窗口方法相比，按日期类型（如工作日与周末）划分训练数据是否能提升预测精度？
• RQ3 与汇总的家庭级数据相比，使用分解后的电器级数据能否带来更准确的预测？
• RQ4 在短期家庭负荷预测中，先进模型在多大程度上优于简单的持久性预测？
• RQ5 额外的上下文特征（如人员活动、温度）以及事件检测在多大程度上能提升预测性能？

主要发现

• 在许多情况下，持久性预测优于大多数先进方法，尤其是在用电模式稳定、持续时间长的家庭中。
• TUM数据集的平均MAPE约为30%，而MIT数据集的平均MAPE为85%，表明不同家庭的可预测性存在显著差异。
• 预测精度差异极大，MAPE范围从5%到100%以上，具体取决于家庭、方法和配置。
• 按日期类型对训练数据进行划分显著提升了大多数预测方法的性能，表明时间模式分割有助于提升预测能力。
• 使用分解后的电器级数据相比使用汇总的家庭级数据，能获得更优的预测结果，尤其适用于具有可预测开关周期的设备。
• 未来改进的潜力更可能来自整合上下文传感器数据（如人员活动、温度）以及对离散事件（如电器启停）进行建模，而非仅依赖连续功率读数。