[论文解读] Electricity Demand Forecasting with Hybrid Statistical and Machine Learning Algorithms: Case Study of Ukraine

Tatiana Gonzalez Grandon, Johannes Schwenzer+2 more|arXiv (Cornell University)|Apr 11, 2023

Energy Load and Power Forecasting被引用 5

一句话总结

本论文提出了一种针对乌克兰国家电力需求的新型混合预测模型，整合了宏观经济、温度和日历回归变量，并结合ARIMA与LSTM模型，对长期、中期和短期时间范围内的每小时需求进行预测。该模型在17,520个每小时样本外预测中实现了96.83%的准确率，通过将可解释的统计结构与深度学习相结合以校正残差，展现出卓越的性能。

ABSTRACT

This article presents a novel hybrid approach using statistics and machine learning to forecast the national demand of electricity. As investment and operation of future energy systems require long-term electricity demand forecasts with hourly resolution, our mathematical model fills a gap in energy forecasting. The proposed methodology was constructed using hourly data from Ukraine's electricity consumption ranging from 2013 to 2020. To this end, we analysed the underlying structure of the hourly, daily and yearly time series of electricity consumption. The long-term yearly trend is evaluated using macroeconomic regression analysis. The mid-term model integrates temperature and calendar regressors to describe the underlying structure, and combines ARIMA and LSTM ``black-box'' pattern-based approaches to describe the error term. The short-term model captures the hourly seasonality through calendar regressors and multiple ARMA models for the residual. Results show that the best forecasting model is composed by combining multiple regression models and a LSTM hybrid model for residual prediction. Our hybrid model is very effective at forecasting long-term electricity consumption on an hourly resolution. In two years of out-of-sample forecasts with 17520 timesteps, it is shown to be within 96.83 \% accuracy.

研究动机与目标

• 解决国家能源规划中缺乏针对每小时分辨率的长期准确电力需求预测的问题。
• 开发一种多时间范围预测框架，整合统计方法与机器学习技术以提升预测精度。
• 建模宏观经济、气候和时间驱动因素在乌克兰电力消费中的相互作用。
• 评估结合经典统计与深度学习的混合模型在残差误差校正方面的性能。
• 为其他国家提供可复现的、开源的、自动化的电力需求预测框架。

提出的方法

• 模型根据时间尺度将电力需求分解为长期、中期和短期分量。
• 长期预测采用宏观经济和人口变量的线性回归，以捕捉年度趋势。
• 中期预测结合温度和日历回归变量与ARIMA及LSTM模型，以捕捉结构化模式和残差误差。
• 短期预测采用基于日历的回归变量和多个ARMA模型，以建模每小时季节性特征和残差动态。
• 混合方法利用ARIMA处理结构化时间序列分量，LSTM处理非线性残差模式，从而提升预测精度。
• 所有模型均使用R和Python实现，完整代码和数据处理流程作为开源软件提供，支持自动化与复用。

实验结果

研究问题

• RQ1 如何通过混合统计与机器学习模型提升每小时分辨率下的长期电力需求预测？
• RQ2 宏观经济、温度和日历变量在多大程度上解释了乌克兰全国电力需求趋势？
• RQ3 将ARIMA与LSTM模型结合用于残差预测，是否能显著提升预测精度，相比独立使用单一模型？
• RQ4 在现实世界干扰（如COVID-19疫情爆发）下，该模型表现如何？
• RQ5 所提出的框架是否可实现自动化并推广应用于其他国家级能源系统？

主要发现

• 该混合模型在2019年和2020年共17,520个每小时预测中，平均绝对百分比误差（MAPE）为3.17%，准确率达到96.83%。
• 2020年模型准确率略有下降（MAPE为3.56%），归因于COVID-19疫情的爆发，表明其对内生冲击具有敏感性。
• 将LSTM与ARIMA结合用于残差建模，显著提升了预测精度，优于单一模型。
• 短期模型有效捕捉了每日和每周的季节性模式，经2019年和2020年样本周的可视化检查得到验证。
• 基于宏观经济变量的长期模型成功捕捉了2013年至2020年电力消费的总体年度趋势。
• 该模型的开源实现支持自动化与复用，可为其他具备类似数据条件的国家提供国家能源规划支持。