[论文解读] Real-time Load Prediction with High Velocity Smart Home Data Stream

Christoph Doblander, Martin Strohbach+2 more|arXiv (Cornell University)|Aug 12, 2017

Time Series Analysis and Forecasting参考文献 22被引用 3

一句话总结

本文提出了一种基于高速智能家庭传感器数据流的实时负荷预测系统，旨在实现电力微电网中的短期负荷平衡。该研究在三年期、高分辨率的设备级能耗数据集上评估了多种机器学习模型，结果表明轻量级模型（如Lasso回归）在计算开销极低的情况下仍能实现高精度预测，因此非常适合在本地能源市场中进行流式部署。

ABSTRACT

This paper addresses the use of smart-home sensor streams for continuous prediction of energy loads of individual households which participate as an agent in local markets. We introduces a new device level energy consumption dataset recorded over three years wich includes high resolution energy measurements from electrical devices collected within a pilot program. Using data from that pilot, we analyze the applicability of various machine learning mechanisms for continuous load prediction. Specifically, we address short-term load prediction that is required for load balancing in electrical micro-grids. We report on the prediction performance and the computational requirements of a broad range of prediction mechanisms. Furthermore we present an architecture and experimental evaluation when this prediction is applied in the stream.

研究动机与目标

• 为参与本地能源市场的单个家庭实现实时、连续的负荷预测。
• 评估不同机器学习模型在高速智能家庭能耗数据流上的性能与计算效率。
• 设计并验证一种可扩展的架构，用于在实时数据流处理管道中部署负荷预测。
• 通过高精度、低延迟的预测，支持电力微电网中的短期负荷平衡。
• 为不同模型在真实世界长期智能家庭数据集上的预测精度与资源使用情况提供基准参考。

提出的方法

• 本研究使用来自智能家庭试点项目三年期、高分辨率的设备级能耗数据集。
• 对多种机器学习模型（包括Lasso、随机森林、梯度提升和神经网络）进行训练与评估，用于短期负荷预测。
• 预测流程采用流式处理架构设计，实现实时数据处理，确保低延迟推理。
• 通过RMSE和MAE等指标评估模型性能，同时以推理时间和资源消耗衡量计算成本。
• 在真实流式处理环境下对系统进行评估，以模拟其在本地能源市场中的实际部署。
• 特征工程包括时间模式、历史负荷趋势以及设备级能耗特征，以提升预测精度。

实验结果

研究问题

• RQ1 在高速智能家庭数据流上，哪些机器学习模型在短期家庭负荷预测中实现了最高的预测精度？
• RQ2 不同模型在实时流式处理中如何在预测精度与计算效率之间取得平衡？
• RQ3 特征工程对高分辨率、设备级能耗数据集中的预测性能有何影响？
• RQ4 轻量级模型（如Lasso回归）是否可有效用于低延迟、低资源消耗的实时负荷预测？
• RQ5 所提出的架构如何支持微电网环境中低延迟、连续的负荷预测？

主要发现

• Lasso回归在预测精度与计算效率之间实现了最佳平衡，其低推理延迟适合实时部署。
• 数据集揭示了设备级能耗中的显著时间模式，当在特征工程中加以利用时，显著提升了预测性能。
• 神经网络和集成模型（如XGBoost）虽然精度较高，但需要显著更多的计算资源，限制了其在实时场景中的可行性。
• 系统在不同家庭类型和负荷特征下均表现出稳定性能，表明其对个体差异具有鲁棒性。
• 通过轻量级模型可实现亚秒级延迟的实时预测，使微电网负荷平衡具备实际应用可行性。
• 评估结果证实，高分辨率数据流能够实现准确的短期负荷预测，这对参与本地能源市场至关重要。