[论文解读] A Deep Learning Framework for Short-term Power Load Forecasting

Tinghui Ouyang, Yusen He+3 more|arXiv (Cornell University)|Nov 30, 2017

Energy Load and Power Forecasting参考文献 10被引用 57

一句话总结

本文提出一个数据驱动的深度学习框架，用于短期电网负荷预测，结合 Box-Cox 转换、通过参数化 copulas 的尾部依赖分析，以及一个深度信念网络，在 Texas urban area 数据集上进行 day-ahead 和 week-ahead 预测，优于若干基线模型。

ABSTRACT

The scheduling and operation of power system becomes prominently complex and uncertain, especially with the penetration of distributed power. Load forecasting matters to the effective operation of power system. This paper proposes a novel deep learning framework to forecast the short-term grid load. First, the load data is processed by Box-Cox transformation, and two parameters (electricity price and temperature) are investigated. Then, to quantify the tail-dependence of power load on the two parameters, parametric Copula models are fitted and the threshold of peak load are computed. Next, a deep belief network is built to forecast the hourly load of the power grid. One year grid load data collected from an urbanized area in Texas, United States is utilized in the case studies. Short-term load forecasting are examined in four seasons independently. Day-ahead and week-ahead load forecasting experiments are conducted in each season using the proposed framework. The proposed framework is compared with classical neural networks, support vector regression machine, extreme learning machine, and classical deep belief networks. The load forecasting performances are assessed by mean absolute percentage error, root mean square error, and hit rate. Computational results confirm the effectiveness of the proposed data-driven deep learning framework. The prediction accuracies of both day-ahead forecasting and week-ahead forecasting demonstrate that the proposed framework outperforms the tested algorithms.

研究动机与目标

• 在现代电网中实现对分布式能源资源的准确短期功率负荷预测的动机。
• 开发一个结合转换、尾部依赖建模和深度学习的面向小时负荷预测的数据驱动框架。
• 评估日-前瞻和周-前瞻视野下的各季节预测准确性。
• 将所提框架与经典神经网络、SVR、ELM 和经典 DBN 进行比较。
• 使用标准指标（MAE、RMSE、命中率）量化性能。

提出的方法

• 对负荷数据应用 Box-Cox 转换。
• 考察两个参数（electricity price 和 temperature）作为影响因素。
• 拟合参数化 copula 模型以量化尾部依赖并确定峰值负荷阈值。
• 构建一个 deep belief network 进行小时负荷预测。
• 在四个季节进行日-前瞻和周-前瞻的预测实验。
• 与经典神经网络、支持向量回归、极限学习机和经典深度信念网络进行基准比较。

实验结果

研究问题

• RQ1 所提出的框架是否相较于传统模型在短期（day-ahead 和 week-ahead）负荷预测中表现更好？
• RQ2 价格和温度如何通过尾部依赖影响负荷，以及这对峰值负荷阈值有何影响？
• RQ3 在真实的城市区域数据集上，小时负荷的预测在各季节是否具有一致性？
• RQ4 在本研究背景下，Box-Cox 转换与基于 Copula 的尾部建模各自的优点是什么？

主要发现

• 该框架在 day-ahead 和 week-ahead 两个任务中对基线方法显示出更高的预测精度。
• 通过 Copulas 的尾部依赖分析为预测管线中的峰值负荷阈值提供信息。
• 季节性实验表明所提出的方法在四个季节都保持有效。
• 对比方法包括经典神经网络、SVR、ELM 和经典 DBN，所提出的框架在评估指标上优于它们。