[论文解读] Machine Learning Approach to Uncovering Residential Energy Consumption Patterns Based on Socioeconomic and Smart Meter Data

Wenjun Tang, Hao Wang+2 more|arXiv (Cornell University)|Apr 12, 2021

Energy Load and Power Forecasting参考文献 34被引用 11

一句话总结

本研究提出了一种机器学习框架，通过整合智能电表数据与社会经济属性，揭示住宅能源消耗模式。利用稳健聚类与特征选择方法，识别出12种不同的负荷模式（六种工作日，六种周末），并表明年龄和教育水平显著影响这些模式，其在建模这些关系方面优于XGBoost和神经网络。

ABSTRACT

The smart meter data analysis contributes to better planning and operations for the power system. This study aims to identify the drivers of residential energy consumption patterns from the socioeconomic perspective based on the consumption and demographic data using machine learning. We model consumption patterns by representative loads and reveal the relationship between load patterns and socioeconomic characteristics. Specifically, we analyze the real-world smart meter data and extract load patterns by clustering in a robust way. We further identify the influencing socioeconomic attributes on load patterns to improve our method's interpretability. The relationship between consumers' load patterns and selected socioeconomic features is characterized via machine learning models. The findings are as follows. (1) Twelve load clusters, consisting of six for weekdays and six for weekends, exhibit a diverse pattern of lifestyle and a difference between weekdays and weekends. (2) Among various socioeconomic features, age and education level are suggested to influence the load patterns. (3) Our proposed analytical model using feature selection and machine learning is proved to be more effective than XGBoost and conventional neural network model in mapping the relationship between load patterns and socioeconomic features.

研究动机与目标

• 从社会经济视角出发，利用真实世界数据识别住宅能源消耗模式的驱动因素。
• 通过稳健聚类技术，从智能电表数据中建模并提取具有代表性的负荷模式。
• 通过将负荷模式与特定社会经济特征（如年龄和教育水平）关联，提升模型的可解释性。
• 开发一种机器学习模型，其在映射社会经济因素对能源使用的影响方面优于XGBoost和传统神经网络。

提出的方法

• 对真实世界智能电表数据应用无监督聚类，以提取12种不同的负荷模式——其中六种为工作日，六种为周末。
• 将社会经济数据（如年龄、教育水平）与能源消耗模式整合，以进行综合分析。
• 采用特征选择技术，识别出对负荷模式影响最大的社会经济属性。
• 训练并比较多种机器学习模型，包括XGBoost和神经网络，以映射社会经济特征与负荷模式之间的关系。
• 采用混合方法，结合聚类与可解释性机器学习，以增强模型的透明度与性能。
• 通过与基线模型的对比评估，验证模型的有效性，强调可解释性与准确性。

实验结果

研究问题

• RQ1 当按工作日和周末划分时，从智能电表数据中可识别出哪些不同的住宅能源消耗模式？
• RQ2 哪些社会经济特征（如年龄和教育水平）对塑造这些负荷模式最具影响力？
• RQ3 所提出的结合特征选择的机器学习模型在建模负荷-社会经济关系方面，为何优于XGBoost和传统神经网络？
• RQ4 基于聚类的负荷模式表征在多大程度上提升了能源消耗驱动因素的可解释性？
• RQ5 不同星期几中，人口统计变量对住宅能源使用的影响相对如何？

主要发现

• 识别出12种不同的负荷聚类——其中六种为工作日，六种为周末——反映出多样的生活方式模式，并清晰显示出工作日与周末之间的差异。
• 年龄和教育水平被确定为影响住宅能源消耗模式的最重要社会经济因素。
• 所提出的结合特征选择的机器学习模型在映射负荷-社会经济关系方面，表现优于XGBoost和标准神经网络。
• 将聚类与可解释性机器学习相结合，增强了模型的透明度，并为能源使用驱动因素提供了可操作的洞察。
• 本研究证实，社会经济特征在塑造能源消耗行为方面至关重要，尤其是在与高分辨率智能电表数据结合分析时。
• 稳健聚类方法成功捕捉了能源使用的时间变化，揭示了不同星期几之间明显的不同行为模式。