[论文解读] Machine Learning Approaches to Energy Consumption Forecasting in Households

Riccardo Bonetto, Michele Rossi|arXiv (Cornell University)|Jun 29, 2017

Energy Load and Power Forecasting参考文献 15被引用 25

一句话总结

本文评估了机器学习方法——SVM、NAR 和 LSTM 神经网络——与 ARMA 在多步预测家庭能耗方面的表现。通过并行训练框架和真实电力需求数据，发现尽管所有机器学习方法均优于 ARMA，但没有单一模型在所有预测时长上均表现最优；因此，推荐采用混合方法，即使用 NAR 进行短期（最多 40 分钟）预测，SVM 进行长期预测，以实现最佳准确性和最低不确定性。

ABSTRACT

We consider the problem of power demand forecasting in residential micro-grids. Several approaches using ARMA models, support vector machines, and recurrent neural networks that perform one-step ahead predictions have been proposed in the literature. Here, we extend them to perform multi-step ahead forecasting and we compare their performance. Toward this end, we implement a parallel and efficient training framework, using power demand traces from real deployments to gauge the accuracy of the considered techniques. Our results indicate that machine learning schemes achieve smaller prediction errors in the mean and the variance with respect to ARMA, but there is no clear algorithm of choice among them. Pros and cons of these approaches are discussed and the solution of choice is found to depend on the specific use case requirements. A hybrid approach, that is driven by the prediction interval, the target error, and its uncertainty, is then recommended.

研究动机与目标

• 评估并比较现代机器学习模型与传统 ARMA 在多步预测家庭能耗方面的性能。
• 设计并实现一种并行、高效的训练框架，以支持在现成硬件上的部署。
• 识别 SVM、NAR 和 LSTM 模型在不同时间预测时长下预测准确性和误差方差方面的优缺点。
• 基于预测区间、目标误差和不确定性，推荐一种混合预测策略。

提出的方法

• 实现了一种并行训练框架，以减少计算时间，独立训练 SVM、NAR 和 LSTM 模型的 h 个预测步长。
• 对于 SVM，训练了 h 个独立模型，每个模型预测一个未来时间步，采用 ε-不敏感损失函数以限制预测误差。
• NAR 网络采用循环结构，输入窗口为 30 分钟，包含 50 个隐藏记忆单元，使用 softsign 激活函数，训练目标是基于历史序列预测未来值。
• LSTM 模型采用 ADAGRAD 优化算法，输入窗口为 30 分钟，输出层为单个线性神经元，专为建模长期时间依赖性而设计。
• 所有模型均基于实际部署中采集的真实家庭电力需求数据进行训练和测试，以确保实际应用的相关性。
• 性能通过均值绝对误差（MAE）和多个预测时长（h = 1 至 120 分钟）下的误差方差进行评估。

实验结果

研究问题

• RQ1 在多步预测家庭能耗方面，SVM、NAR 和 LSTM 模型相较于 ARMA 在均值绝对误差和误差方差方面表现如何？
• RQ2 在多步预测中，训练 h 个独立模型（SVM）与训练单个循环模型（NAR、LSTM）在计算效率和准确性之间存在何种权衡？
• RQ3 哪种模型在短期（≤40 分钟）和长期（≥60 分钟）预测时长下提供最准确且最稳定的预测？
• RQ4 结合不同模型优势的混合预测方法是否能提升整体预测性能？

主要发现

• 所有机器学习模型——SVM、NAR 和 LSTM——在所有预测时长下均实现了低于 ARMA 基线的均值绝对误差。
• NAR 在短期预测（最多 40 分钟）中表现最佳，尤其在前 30 分钟内误差最低。
• SVM 在长期预测（超过 60 分钟）中优于所有其他模型，实现了最小的均值绝对误差，并在 h = 60 分钟左右达到最小误差方差。
• LSTM 在所有预测时长下表现出最小的误差方差，表明其预测性能最为一致，尽管其平均准确度略低。
• ARMA 和 NAR 的误差方差增长速度快于 SVM 和 LSTM，表明其长期预测具有更高的不确定性。
• 推荐采用混合预测策略：使用 NAR 进行短期预测（最多 40 分钟），SVM 进行长期预测，以在准确性和不确定性之间实现最佳平衡。