[论文解读] Data-Driven Load Modeling and Forecasting of Residential Appliances
本文提出了一种条件隐半马尔可夫模型（CHSMM），用于基于1分钟分项计量电力数据的住宅电器数据驱动、高分辨率负荷建模与短期预测。通过概率化地建模电器状态及其持续时间，并将状态转移条件化于外部变量（如温度和一天中的时间），该方法实现了高精度预测与异常检测，通过模型优化，聚合空调的NRMSE降低至0.050。
The expansion of residential demand response programs and increased deployment of controllable loads will require accurate appliance-level load modeling and forecasting. This paper proposes a conditional hidden semi-Markov model to describe the probabilistic nature of residential appliance demand, and an algorithm for short-term load forecasting. Model parameters are estimated directly from power consumption data using scalable statistical learning methods. Case studies performed using sub-metered 1-minute power consumption data from several types of appliances demonstrate the effectiveness of the model for load forecasting and anomaly detection.
研究动机与目标
- 开发一种可扩展的、数据驱动的住宅电器负荷模型，以捕捉高时间分辨率下的随机行为。
- 通过从实际电力消耗数据中学习概率化状态转移与持续时间分布，实现准确的短期负荷预测。
- 引入外部变量（如室外温度和一天中的时间）以提升模型对行为与环境因素的适应能力。
- 通过在单个电器与聚合层面实现预测，支持需求响应与电网可靠性。
- 通过预测误差分析，展示模型在检测异常电器行为方面的实用性。
提出的方法
- 该模型使用条件隐半马尔可夫模型（CHSMM）将电器运行表示为一系列具有随机持续时间的未观测状态。
- 状态转移概率与输出概率条件化于外部变量（如室外温度和一天中的时间），以反映环境与时间的影响。
- 通过可扩展的统计学习方法（特别是多变量逻辑回归，MNLR）估计模型参数，以高效处理高维状态与持续时间空间。
- 基于学习到的CHSMM开发了短期负荷预测算法，支持60分钟内的预测。
- 应用两种优化方法——加权MNLR与状态特定 MNLR——以改善对长时长事件及特定状态持续时间分布的建模，尤其针对空调。
- 通过识别较大的负荷预测误差实现异常检测，表明与典型电器行为的偏离。
实验结果
研究问题
- RQ1基于高分辨率电力数据，数据驱动的CHSMM能否有效建模住宅电器的概率化、基于状态的行为？
- RQ2将状态转移与持续时间条件化于外部变量在多大程度上提升了预测精度？
- RQ3加权MNLR与状态特定MNLR等模型优化方法在多大程度上降低了如空调等特定电器的预测误差？
- RQ4预测误差能否可靠地用于检测异常电器行为，如电动汽车的长时间充电中断？
- RQ5该模型在不同电器聚合水平下的泛化能力如何？
主要发现
- 使用基础模型时，CHSMM对聚合空调的1小时预测NRMSE为0.109，应用两种模型优化后降低至0.050。
- 加权MNLR优化显著提升了空调中不频繁的长时长开启状态的预测精度，尤其在高热负荷期间。
- 状态特定MNLR方法通过更精确地逼近开启与关闭状态的持续时间分布，降低了预测误差。
- 基于预测误差的异常检测成功识别出具有长时间充电中断的电动汽车，例如测试中一辆车的关闭状态长达16.3天，而训练数据中仅为0.98天。
- 该模型在多种电器类型与聚合水平下均表现出稳健性能，大多数电器的平均预测误差较低。
- 集成外部变量（如温度与一天中的时间）显著增强了模型的适应能力与预测精度。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。