[论文解读] DECODE: Data-driven Energy Consumption Prediction leveraging Historical Data and Environmental Factors in Buildings

Aditya Mishra, Haroon R. Lone+1 more|arXiv (Cornell University)|Sep 6, 2023

Energy Load and Power Forecasting参考文献 38被引用 5

一句话总结

本文提出了一种数据驱动的长短期记忆（LSTM）模型 DECODE，通过整合历史能耗、人员占用动态以及环境因素（温度、湿度），实现建筑能耗预测。该模型在真实住宅和商业建筑的短期、中期和长期预测中均达到最先进性能，R² 得分为 0.97，平均绝对误差（MAE）为 0.007，优于线性回归、决策树和随机森林模型。

ABSTRACT

Energy prediction in buildings plays a crucial role in effective energy management. Precise predictions are essential for achieving optimal energy consumption and distribution within the grid. This paper introduces a Long Short-Term Memory (LSTM) model designed to forecast building energy consumption using historical energy data, occupancy patterns, and weather conditions. The LSTM model provides accurate short, medium, and long-term energy predictions for residential and commercial buildings compared to existing prediction models. We compare our LSTM model with established prediction methods, including linear regression, decision trees, and random forest. Encouragingly, the proposed LSTM model emerges as the superior performer across all metrics. It demonstrates exceptional prediction accuracy, boasting the highest R2 score of 0.97 and the most favorable mean absolute error (MAE) of 0.007. An additional advantage of our developed model is its capacity to achieve efficient energy consumption forecasts even when trained on a limited dataset. We address concerns about overfitting (variance) and underfitting (bias) through rigorous training and evaluation on real-world data. In summary, our research contributes to energy prediction by offering a robust LSTM model that outperforms alternative methods and operates with remarkable efficiency, generalizability, and reliability.

研究动机与目标

• 开发一种适用于具有不同能耗模式的住宅和商业建筑的稳健且可泛化的能耗预测模型。
• 通过利用深度学习中的序列数据依赖性，提升预测精度，超越传统机器学习模型。
• 确保模型的可靠性与低样本复杂度，即使在训练数据有限的情况下也能实现有效性能。
• 通过在真实世界数据集上进行严格训练和评估，解决过拟合与欠拟合问题。
• 实现短期、中期和长期的能耗预测，以支持建筑能源管理系统（BEMS）的实际部署。

提出的方法

• 所提出的 DECODE 模型采用长短期记忆（LSTM）网络，以捕捉序列能耗数据中的时间依赖性。
• 输入特征包括历史能耗、实时人员数量、室外温度、湿度以及日历特征（如工作日/周末）。
• 模型在来自七个印度学术建筑的真实世界数据集上进行端到端训练，涵盖 52 个月的能耗数据。
• 通过超参数调优和交叉验证，减轻过拟合与欠拟合，确保在多种建筑类型中的泛化能力。
• 采用标准回归指标评估性能：R²、平均绝对误差（MAE）和均方根误差（RMSE）。
• 在多个预测时域——短期、中期和长期——进行测试，展示其在不同预测时长下的多功能性。

实验结果

研究问题

• RQ1 基于LSTM的模型是否能在多种建筑类型中超越经典机器学习模型（如线性回归、随机森林）的建筑能耗预测表现？
• RQ2 当模型在有限数据集上训练时，其在偏差与方差控制方面的表现如何？
• RQ3 纳入人员占用动态和环境因素在多大程度上提升了预测精度？
• RQ4 为何模型在某些建筑（如设施楼和女生宿舍）中表现较差？
• RQ5 该模型能否在具有不同能耗模式的住宅和商业建筑之间实现良好泛化？

主要发现

• 所提出的LSTM模型在所有建筑中均取得最高的R²得分（0.97）和最低的平均绝对误差（MAE）（0.007），优于线性回归、决策树和随机森林模型。
• 即使仅使用完整数据集的10%，模型仍保持强劲性能，R²达到0.83，MAE为0.05，展现出对有限训练数据的鲁棒性。
• 模型在所有预测时域（短期、中期和长期）中均表现出色，凸显其多功能性与可靠性。
• 性能因建筑类型而异：在具有清晰使用模式的建筑中（如图书馆、教学楼）达到最高精度，而在能耗模式不规则或非确定性的建筑中（如设施楼、女生宿舍）表现较低。
• 模型在设施楼和女生宿舍中表现不佳，归因于能耗与输入特征（如人员数量、温度）之间存在不一致的相关性。
• 模型能够随时间动态适应，通过从预测偏差中学习，并在持续接收新数据进行推理后不断提升预测精度。