[论文解读] Energy Forecasting in Smart Grid Systems: A Review of the State-of-the-art Techniques

Devinder Kaur, Shama Naz Islam+3 more|arXiv (Cornell University)|Nov 25, 2020

Energy Load and Power Forecasting参考文献 110被引用 17

一句话总结

本文综述了智能电网中前沿的能源预测技术，重点介绍了用于不确定性量化概率深度学习（PDL）的方法。结果表明，贝叶斯双向长短期记忆（BLSTM）网络在准确性和不确定性估计方面优于传统方法，尽管计算时间更长。

ABSTRACT

Energy forecasting has a vital role to play in smart grid (SG) systems involving various applications such as demand-side management, load shedding, and optimum dispatch. Managing efficient forecasting while ensuring the least possible prediction error is one of the main challenges posed in the grid today, considering the uncertainty and granularity in SG data. This paper presents a comprehensive and application-oriented review of state-of-the-art forecasting methods for SG systems along with recent developments in probabilistic deep learning (PDL) considering different models and architectures. Traditional point forecasting methods including statistical, machine learning (ML), and deep learning (DL) are extensively investigated in terms of their applicability to energy forecasting. In addition, the significance of hybrid and data pre-processing techniques to support forecasting performance is also studied. A comparative case study using the Victorian electricity consumption and American electric power (AEP) datasets is conducted to analyze the performance of point and probabilistic forecasting methods. The analysis demonstrates higher accuracy of the long-short term memory (LSTM) models with appropriate hyper-parameter tuning among point forecasting methods especially when sample sizes are larger and involve nonlinear patterns with long sequences. Furthermore, Bayesian bidirectional LSTM (BLSTM) as a probabilistic method exhibit the highest accuracy in terms of least pinball score and root mean square error (RMSE).

研究动机与目标

• 提供对智能电网系统中经典与先进能源预测方法的全面综述。
• 研究概率深度学习（PDL）在处理能源数据不确定性方面的有效性。
• 从预测准确性和计算效率的角度，比较确定性深度学习、统计方法和机器学习方法。
• 评估数据预处理技术（如降维和特征提取）对预测性能的影响。
• 识别概率预测模型中计算成本与预测准确性的权衡。

提出的方法

• 本研究评估了传统统计方法（如ARIMA）、机器学习方法（如SVR）和深度学习方法（如RNN、LSTM）在能源预测中的表现。
• 通过贝叶斯神经网络（BNN）和贝叶斯BLSTM实现概率深度学习，以量化预测不确定性。
• 应用超参数调优和激活函数选择以优化深度学习模型性能。
• 使用数据预处理技术（如对数变换、主成分分析PCA和自编码器）降低维度并提升模型输入质量。
• 利用维多利亚州电力消耗数据集和美国电力公司（AEP）数据集进行对比案例研究，以评估模型性能。
• 通过贝叶斯BLSTM生成预测区间（PIs），以实现不确定性估计，性能通过Pinball评分和Winkler评分进行评估。

实验结果

研究问题

• RQ1 确定性深度学习模型与统计方法和机器学习方法在能源预测准确性方面有何差异？
• RQ2 像贝叶斯BLSTM这样的概率深度学习方法在能源预测不确定性量化方面能提升到何种程度？
• RQ3 降维和特征提取等数据预处理技术对预测性能有何影响？
• RQ4 模型复杂度与计算成本的权衡如何影响概率预测模型的实际部署？
• RQ5 在不同数据特征下，哪种预测方法能实现最低的预测误差和最可靠的预测区间？

主要发现

• 深度学习模型，尤其是经过适当超参数调优的LSTM，在维多利亚州和AEP数据集上均实现了最低的预测误差。
• 贝叶斯BLSTM在概率预测中优于所有其他方法，表现出最低的Pinball评分和Winkler评分，表明其在准确性和不确定性量化方面表现更优。
• 贝叶斯BLSTM生成的预测区间（PIs）在波动性更高的维多利亚州数据集上比更均匀的AEP数据集更宽，反映出其对不确定性的准确建模。
• 概率深度学习方法（尤其是贝叶斯BLSTM）的执行时间显著高于确定性方法，表明准确性和计算成本之间存在权衡。
• 对于具有非线性模式的大规模数据集，经过适当调优的深度学习方法始终优于传统统计和机器学习模型。
• 对数变换可提升模型在非平稳、高波动性数据集（如维多利亚州能源消耗数据）上的性能。