[论文解读] A Single Scalable LSTM Model for Short-Term Forecasting of Disaggregated Electricity Loads

Andrés M. Alonso, Francisco J. Nogales+1 more|arXiv (Cornell University)|Oct 15, 2019

Energy Load and Power Forecasting参考文献 28被引用 4

一句话总结

本文提出了一种单一、可扩展的长短期记忆（LSTM）循环神经网络模型，可同时对数千个细分的智能电表进行短期电力负荷预测。通过在异质家庭的代表性子集上进行训练，该模型在准确率上比单变量基准模型高出20%以上，即使在训练后对新出现的、未见过的用户进行预测，计算成本也极低。

ABSTRACT

Most electricity systems worldwide are deploying advanced metering infrastructures to collect relevant operational data. In particular, smart meters allow tracking electricity load consumption at a very disaggregated level and at high frequency rates. This data opens the possibility of developing new forecasting models with a potential positive impact in electricity systems. We present a general methodology that is able to process and forecast a large number of smart meter time series. Instead of using traditional and univariate approaches, we develop a single but complex recurrent neural-network model with long short-term memory that can capture individual consumption patterns and also consumptions from different households. The resulting model can accurately predict future loads (short-term) of individual consumers, even if these were not included in the original training set. This entails a great potential for large scale applications as once the single network is trained, accurate individual forecast for new consumers can be obtained at almost no computational cost. The proposed model is tested under a large set of numerical experiments by using a real-world dataset with thousands of disaggregated electricity consumption time series. Furthermore, we explore how geo-demographic segmentation of consumers may impact the forecasting accuracy of the model.

研究动机与目标

• 开发一种可扩展的单一模型方法，用于对来自智能电表的大规模、细分电力负荷时间序列进行短期预测。
• 通过使用统一的LSTM架构，克服为每个家庭单独训练模型所带来的计算负担。
• 实现在无需重新训练的情况下，对新出现的、此前未见过的用户实现高精度预测。
• 评估地理人口统计细分对预测性能的影响。
• 为智能电网应用中的实时负荷预测提供一种计算高效、大规模的解决方案。

提出的方法

• 基于按地理人口统计特征分组的代表性智能电表时间序列子集，训练一个单一的LSTM基础循环神经网络。
• 该模型联合学习多个家庭之间的模式，捕捉个体用电行为及家庭间动态关系。
• 输入特征包括时间变量（小时、星期几、月份）、气象数据和日历效应，以提升预测准确性。
• 模型仅需一次训练，即可用于新家庭的样本外预测，即使这些家庭未出现在训练集中。
• 通过在多个样本外时间段和地理人口统计群体中使用MAE（平均绝对误差）评估性能。
• 采用分层方法：首先，根据地理人口统计特征将数据划分为19个同质组；其次，对每组训练一个单一LSTM，或在混合数据集上全局训练以实现泛化。

实验结果

研究问题

• RQ1 单一LSTM模型是否能在数千个细分电力负荷时间序列上实现高预测准确率？
• RQ2 当预测未包含在训练集中的新家庭时，该模型表现如何？
• RQ3 与全局模型相比，地理人口统计细分在多大程度上提升了预测准确率？
• RQ4 与传统单变量方法相比，所提出模型的计算效率如何？
• RQ5 该模型如何处理个体家庭负荷数据中的非线性、季节性和噪声？

主要发现

• 在回溯实验的所有测试时段和电表中，所提出的LSTM模型在中位数MAE上比单变量基准模型高出20%以上。
• 该模型在全部19个地理人口统计组（包括ACORN-U和Global组）中均表现出一致的样本外性能，误差减少稳定。
• 即使在预测训练集中未出现的新家庭时，模型仍保持高准确率，展现出强大的泛化能力。
• 当在同质地理人口统计组上进行训练时，模型性能显著提升，但即使在无预先分类的情况下，其性能依然有效。
• 该模型仅需一次初始训练，即可实现对数十万智能电表的可扩展、近实时预测。
• 模型的成功归因于其通过在大规模数据集上联合学习，捕捉复杂非线性模式和季节性的能力。