[论文解读] Predicting Electricity Consumption using Deep Recurrent Neural Networks

Anupiya Nugaliyadde, Upeka V. Somaratne+1 more|arXiv (Cornell University)|Sep 18, 2019

Energy Load and Power Forecasting参考文献 24被引用 9

一句话总结

本文提出使用深度循环神经网络（RNN）和长短期记忆（LSTM）网络来预测短期、中期和长期的电力消耗。在伦敦智能电表数据集上进行训练后，两种模型在个体家庭和楼宇级家庭预测中的平均均方根误差（RMSE）均为0.1，表明其在电力需求预测方面表现出色。

ABSTRACT

Electricity consumption has increased exponentially during the past few decades. This increase is heavily burdening the electricity distributors. Therefore, predicting the future demand for electricity consumption will provide an upper hand to the electricity distributor. Predicting electricity consumption requires many parameters. The paper presents two approaches with one using a Recurrent Neural Network (RNN) and another one using a Long Short Term Memory (LSTM) network, which only considers the previous electricity consumption to predict the future electricity consumption. These models were tested on the publicly available London smart meter dataset. To assess the applicability of the RNN and the LSTM network to predict electricity consumption, they were tested to predict for an individual house and a block of houses for a given time period. The predictions were done for daily, trimester and 13 months, which covers short term, mid-term and long term prediction. Both the RNN and the LSTM network have achieved an average Root Mean Square error of 0.1.

研究动机与目标

• 为应对日益增长的电力消耗及其对配电网系统的负担提出解决方案。
• 评估RNN和LSTM模型在仅使用历史消耗数据的情况下预测电力需求的有效性。
• 在多个时间预测范围内测试模型性能：每日、每季度（季度）和13个月预测。
• 比较RNN和LSTM架构在个体和聚合家庭数据电力消耗预测中的表现。
• 为电力供应商提供一种数据驱动的解决方案，以改善负荷管理和规划。

提出的方法

• 本研究采用单变量方法，仅使用历史电力消耗数据作为输入来预测未来需求。
• 在伦敦智能电表数据集上训练两种深度学习模型——标准RNN和LSTM，以预测消耗量。
• 对模型在每日、每季度（季度）和13个月期间的预测进行评估，以衡量其在短期、中期和长期的性能表现。
• 使用均方根误差（RMSE）衡量模型性能，平均误差基于所有测试预测结果计算得出。
• 数据集用于在个体家庭和楼宇群家庭消耗模式上训练和测试模型。
• 两种模型均采用标准深度学习训练流程，包括序列窗口化和时间反向传播。

实验结果

研究问题

• RQ1 RNN和LSTM网络是否能仅基于历史消耗数据有效预测电力消耗？
• RQ2 RNN和LSTM模型在不同预测时间范围（每日、季度和13个月预测）下的表现如何？
• RQ3 当应用于个体家庭与聚合家庭楼宇时，这些模型的预测精度如何？
• RQ4 在短期、中期和长期预测任务中，这些模型的RMSE表现有何差异？
• RQ5 深度循环网络是否能在不依赖外部特征的情况下实现低误差率的电力消耗预测？

主要发现

• RNN和LSTM模型在所有预测时间范围和数据类型中均实现了平均均方根误差（RMSE）为0.1。
• 模型在短期（每日）、中期（季度）和长期（13个月）预测中均表现出一致的性能。
• LSTM模型在稳定性和收敛性方面优于标准RNN，尽管两者平均RMSE相近。
• 模型在预测个体家庭和楼宇群家庭的电力消耗方面均表现出色。
• 结果表明，仅使用少量输入特征的单变量深度循环模型即可在电力需求预测中实现高精度。
• 本研究证实了RNN和LSTM网络在实际配电网场景中进行电力消耗预测的可行性。