[论文解读] On particle filters applied to electricity load forecasting

Tristan Launay, Anne Philippe+1 more|arXiv (Cornell University)|Oct 2, 2012

Water Systems and Optimization参考文献 50被引用 6

一句话总结

该论文提出了一种基于粒子滤波的方法，用于在非线性、非高斯状态空间模型中进行在线电力负荷预测，通过增加一次重采样步骤，增强了对异常值的鲁棒性。该方法在非常规日期类型上的平均MAPE为3.34%，预测性能具有竞争力，优于更复杂的线性高斯模型，尽管其使用的随机效应更少，并能自动处理节假日的缺失数据。

ABSTRACT

We are interested in the online prediction of the electricity load, within the Bayesian framework of dynamic models. We offer a review of sequential Monte Carlo methods, and provide the calculations needed for the derivation of so-called particles filters. We also discuss the practical issues arising from their use, and some of the variants proposed in the literature to deal with them, giving detailed algorithms whenever possible for an easy implementation. We propose an additional step to help make basic particle filters more robust with regard to outlying observations. Finally we use such a particle filter to estimate a state-space model that includes exogenous variables in order to forecast the electricity load for the customers of the French electricity company Électricité de France and discuss the various results obtained.

研究动机与目标

• 开发一种适用于非线性与非高斯条件下在线电力负荷预测的鲁棒序列蒙特卡洛方法。
• 通过算法改进，解决粒子滤波中的粒子退化和对异常值敏感等问题。
• 提出并估计一个简化的非线性动态模型，用于法国电力负荷，包含温度和日历效应等外生变量。
• 比较基于粒子滤波的模型与复杂线性高斯状态空间模型在预测准确性和鲁棒性方面的性能。
• 在无需人工干预的情况下自动处理银行假日的缺失数据，提升模型可靠性。

提出的方法

• 该论文采用序列蒙特卡洛（SMC）方法，特别是粒子滤波，以近似状态空间模型中隐状态的后验分布。
• 基于状态转移密度和观测密度，利用重要性采样与重采样推导出基本粒子滤波算法，实现粒子在时间上的传播。
• 引入额外的重采样步骤，通过降低与似然不一致的粒子权重，提升对异常观测的鲁棒性。
• 模型包含温度和日历特定日期类型（如周末、节假日）等外生变量，以捕捉负荷动态。
• 状态转移密度和观测密度采用非线性函数定义，从而灵活建模供暖与制冷效应。
• 算法自动将银行假日视为缺失数据，避免模型中断，无需手动配置。

实验结果

研究问题

• RQ1 如何在非线性、非高斯动态模型中有效应用粒子滤波进行在线电力负荷预测？
• RQ2 对标准粒子滤波进行哪些修改可提升其对负荷数据中异常观测的鲁棒性？
• RQ3 与使用卡尔曼滤波的复杂线性高斯模型相比，基于粒子滤波的简化非线性状态空间模型在性能上表现如何？
• RQ4 是否可在粒子滤波框架内实现对缺失数据（如节假日）的自动处理，而无需手动声明数据？
• RQ5 在数据一致性较低的时期（如夏季假期），模型参数（如误差方差 $\sigma_{s,n}$, $\sigma_{g,n}$）的行为如何？

主要发现

• 所提出的带有额外鲁棒性步骤的粒子滤波显著降低了对异常值的敏感性，提升了负荷预测的稳定性。
• 该模型在非常规日期类型上的平均预测MAPE为3.34%，优于复杂线性高斯模型在该类别的表现。
• 在夏季假期期间，模型的误差方差（$\sigma_{s,n}$ 和 $\sigma_{g,n}$）上升，反映出数据不一致性以及缺乏与供暖相关的温度信号。
• 粒子滤波自动将银行假日视为缺失数据，无需像基准模型那样进行手动数据声明。
• 所提出模型中供暖梯度的行为与Dordonnat等人（2008）的研究结果一致，验证了模型的物理合理性。
• 尽管仅使用10个随机效应（基准模型超过30个），该模型仍保持了具有竞争力的预测精度，尤其在非常规日期上表现更优。