[论文解读] Local Short Term Electricity Load Forecasting: Automatic Approaches

The-Hien Dang-Ha, Filippo Maria Bianchi+1 more|arXiv (Cornell University)|Feb 26, 2017

Energy Load and Power Forecasting参考文献 17被引用 6

一句话总结

本文提出了一种自动化、可扩展的本地短期电力负荷预测方法，采用五种模型，其中改进的双季节霍尔特-温特斯（modDSHW）模型在仅使用三个月训练数据的情况下，对低聚合度负荷数据表现出优异性能。研究表明，对于极低级别的负荷，年度模式和温度的影响较小，使modDSHW成为智能电网大规模部署中一种稳健且低数据依赖的解决方案。

ABSTRACT

Short-Term Load Forecasting (STLF) is a fundamental component in the efficient management of power systems, which has been studied intensively over the past 50 years. The emerging development of smart grid technologies is posing new challenges as well as opportunities to STLF. Load data, collected at higher geographical granularity and frequency through thousands of smart meters, allows us to build a more accurate local load forecasting model, which is essential for local optimization of power load through demand side management. With this paper, we show how several existing approaches for STLF are not applicable on local load forecasting, either because of long training time, unstable optimization process, or sensitivity to hyper-parameters. Accordingly, we select five models suitable for local STFL, which can be trained on different time-series with limited intervention from the user. The experiment, which consists of 40 time-series collected at different locations and aggregation levels, revealed that yearly pattern and temperature information are only useful for high aggregation level STLF. On local STLF task, the modified version of double seasonal Holt-Winter proposed in this paper performs relatively well with only 3 months of training data, compared to more complex methods.

研究动机与目标

• 解决在智能电网中对成千上万条本地电力负荷时间序列实现自动化短期负荷预测的挑战。
• 克服现有模型在应用于本地、低聚合度负荷数据时的局限性——如训练时间长、优化不稳定以及对超参数高度敏感。
• 识别并开发对人工干预需求最少、且能泛化于多样化本地负荷特征的模型。
• 通过评估40条来自不同聚合度和地理区域的时间序列，评估模型在泛化性和可扩展性方面的表现。
• 确定长期模式和温度数据在本地与高聚合度负荷预测中的相关性。

提出的方法

• 基于自动化能力、稳定性及低超参数敏感性，选择五种模型：avgARIMA、orgiDSHW、modDSHW、NARX-RF、TBATS 和 SemiPar。
• 提出一种改进的双季节霍尔特-温特斯（modDSHW）模型，通过调整季节性成分的估计与初始化方式，提升稳定性和性能。
• 在modDSHW中仅使用周内和日内季节性，省略长期和年度成分，以降低复杂度，并在数据稀疏时提升鲁棒性。
• 在来自美国和挪威的40条负荷时间序列上训练模型，涵盖不同聚合度和数据长度（2至4年）。
• 采用标准化评估方法，通过24小时预测时序的中位数平均百分比误差（MAPE）比较模型性能。
• 使用单核CPU时间测量评估训练效率，尤其关注可扩展部署场景。

实验结果

研究问题

• RQ1 现有短期负荷预测（STLF）模型是否可在无需大量超参数调优的情况下，有效应用于本地、低聚合度电力负荷预测？
• RQ2 自动化模型在不同聚合度下的性能表现如何，特别是在历史数据有限的情况下？
• RQ3 长期季节性模式和温度数据在极低级别负荷时间序列预测中的贡献程度如何？
• RQ4 在仅使用三个月数据训练的情况下，改进的双季节霍尔特-温特斯模型是否能超越更复杂的模型？
• RQ5 哪种模型在大规模部署中能实现准确度、自动化与训练效率的最佳平衡，适用于成千上万条本地负荷点？

主要发现

• 改进的双季节霍尔特-温特斯（modDSHW）模型在仅使用三个月训练数据的情况下，对本地负荷预测表现出强劲性能，优于低聚合度环境下的更复杂模型。
• 在Hvaler数据集（低聚合度）上，modDSHW在超过10小时预测时延后显著优于SemiPar，尽管其未使用温度或长期成分。
• 在极低负荷（低于数百千瓦时）中，温度和年度模式对预测准确率的贡献微乎其微，表明在这些情况下其重要性较低。
• NARX-RF模型在高聚合度和低聚合度数据集中均表现稳定，但其训练时间比其他模型长一个数量级以上。
• SemiPar在高聚合度数据（GEFCom2012）上表现最佳，因其能有效建模所有季节性模式和温度影响，但在噪声较多、低聚合度的数据（Hvaler）上性能下降。
• TBATS模型在两个数据集上表现均不佳，尤其在低聚合度数据上，表明其分解方法不适用于本地负荷信号。