[论文解读] Online Hierarchical Forecasting for Power Consumption Data

Margaux Brégère, Malo Huard|arXiv (Cornell University)|Mar 1, 2020

Energy Load and Power Forecasting参考文献 34被引用 20

一句话总结

本文提出了一种新颖的在线分层预测框架，用于电力消耗数据，结合广义可加模型或随机森林的特征生成、使用ML-Pol的集成聚合，以及投影到受约束子空间以强制实现分层级别间的总和一致性。该方法实现了最先进性能，在英国智能电表数据上，与基准相比，全局用电量预测误差最高降低17.5%。

ABSTRACT

We study the forecasting of the power consumptions of a population of households and of subpopulations thereof. These subpopulations are built according to location, to exogenous information and/or to profiles we determined from historical households consumption time series. Thus, we aim to forecast the electricity consumption time series at several levels of households aggregation. These time series are linked through some summation constraints which induce a hierarchy. Our approach consists in three steps: feature generation, aggregation and projection. Firstly (feature generation step), we build, for each considering group for households, a benchmark forecast (called features), using random forests or generalized additive models. Secondly (aggregation step), aggregation algorithms, run in parallel, aggregate these forecasts and provide new predictions. Finally (projection step), we use the summation constraints induced by the time series underlying hierarchy to re-conciliate the forecasts by projecting them in a well-chosen linear subspace. We provide some theoretical guaranties on the average prediction error of this methodology, through the minimization of a quantity called regret. We also test our approach on households power consumption data collected in Great Britain by multiple energy providers in the Energy Demand Research Project context. We build and compare various population segmentations for the evaluation of our approach performance.

研究动机与目标

• 通过利用分层时间序列约束，提高在多个聚合层级（如国家级、区域级、用户群 profile）的电力需求预测准确性。
• 解决在每个层级独立建模导致的分层预测不一致问题。
• 开发一种稳健的在线预测框架，利用分层结构与集成学习以提升预测性能。
• 评估不同家庭分组策略（地理、基于特征、随机）对预测性能的影响。

提出的方法

• 特征生成：使用广义可加模型或随机森林，为每个组（如区域、用户群）生成基准预测。
• 聚合：应用在线集成方法（如ML-Pol算法），通过加权组合最小化遗憾，将各组的预测进行整合。
• 投影：通过正交投影将聚合后的预测投影到由总和约束定义的子空间中，以强制实现分层一致性。
• 该框架按三个顺序步骤运行：(1) 特征生成，(2) 聚合，(3) 投影，且具有遗憾最小化的理论保证。
• 该方法专为在线学习设计，支持在新数据到达时进行增量更新。
• 分层结构通过矩阵 K 编码，使得 K·yt = 0，确保高层预测与底层总和一致。

实验结果

研究问题

• RQ1 将集成聚合与基于投影的校正相结合，如何提升分层电力消耗数据的预测准确性？
• RQ2 不同家庭分组策略（如区域、Acorn、NMF、随机聚类）对预测性能有何影响？
• RQ3 所提出的方法是否优于基线策略（如自下而上、自上而下，或独立基准预测）？
• RQ4 该方法在分组数量增加时的鲁棒性如何？
• RQ5 能否为所提出的在线分层预测框架建立理论遗憾界？

主要发现

• ‘聚合并投影’策略在所有分组配置下均持续优于其他方法，实现了最低的全局用电量预测误差。
• ‘Region + NMF(16)’分组配置表现最佳，将全局用电量的均方误差降低至170.3 ± 8.5 kWh²，相比基准降低17.5%。
• 基于区域聚类的自下而上预测显著优于基准，将误差从205.8 ± 9.3 kWh²降低至189.9 ± 8.3 kWh²。
• 聚合与投影对高聚类数具有鲁棒性：性能在聚类数达64时保持稳定或略有提升，无显著退化。
• 基于家庭特征的分组（如Acorn、Fuel+Tariff）与随机聚类表现相似，表明这些特征在此情境下预测价值有限。
• 仅投影步骤在包含区域时可改善预测，但‘聚合 + 投影’完整策略带来了最大提升，尤其在复杂分层结构中。