[论文解读] Short-term forecasting of Italian residential gas demand.

Andrea Marziali, Emanuele Fabbiani+1 more|arXiv (Cornell University)|Oct 4, 2019

Energy Load and Power Forecasting被引用 1

一句话总结

本文提出并比较了五种机器学习模型——岭回归、高斯过程、k-近邻、人工神经网络和环面模型——用于意大利居民天然气需求的一天前预测。表现最佳的模型，即人工神经网络和高斯过程，其均方根误差（RMSE）为理论性能极限的两倍，表明在理想条件下，实现高精度国家级天然气需求预测是可行的。

ABSTRACT

Natural gas is the most important energy source in Italy: it fuels thermoelectric power plants, industrial facilities and domestic heating. Gas demand forecasting is a critical task for any energy provider as it impacts on pipe reservation and stock planning. In this paper, the one-day-ahead forecasting of Italian daily residential gas demand is studied. Five predictors are developed and compared: Ridge Regression, Gaussian Process, k-Nearest Neighbour, Artificial Neural Network, and Torus Model. Preprocessing and feature selection are also discussed in detail. Concerning the prediction error, a theoretical bound on the best achievable root mean square error is worked out assuming ideal conditions, except for the inaccuracy of meteorological temperature forecasts, whose effects are properly propagated. The best predictors, namely the Artificial Neural Network and the Gaussian Process, achieve an RMSE which is twice the performance limit, suggesting that precise predictions of residential gas demand can be achieved at country level.

研究动机与目标

• 提高意大利居民天然气需求的短期预测精度，以支持高效的管道预订和库存管理。
• 评估多种预测模型（岭回归、高斯过程、k-近邻、人工神经网络和环面模型）在真实世界天然气需求数据上的性能。
• 在考虑气象预报不准确性的前提下，建立天然气需求预测的均方根误差（RMSE）理论下限。
• 研究在理想条件下，可实现的预测性能与最佳可能误差之间的差距。

提出的方法

• 在历史意大利日度居民天然气需求数据上训练并评估五种预测模型，同时引入气象和时间相关特征。
• 预处理包括数据归一化和缺失值处理，特征选择则识别出最具相关性的预测变量，特别是温度和时间相关变量。
• 在理想条件下（假设温度预报完全准确）推导出RMSE的理论下限，并显式建模预报误差的传播。
• 使用RMSE评估模型性能，结合交叉验证和样本外测试以确保结果稳健。
• 由于表现更优，选择高斯过程和人工神经网络模型进行详细分析。
• 误差传播分析量化了气象预报误差对整体预测不确定性的贡献。

实验结果

研究问题

• RQ1 不同机器学习模型在预测意大利居民天然气需求一天前的预测表现如何？
• RQ2 在假设气象预报完全准确的前提下，天然气需求预测的理论最小可实现RMSE是多少？
• RQ3 气象温度预报的不准确性在多大程度上限制了天然气需求预测模型的性能？
• RQ4 表现最佳的模型能否实现接近理论性能极限的预测精度？

主要发现

• 人工神经网络和高斯过程模型在所有测试预测器中实现了最低的RMSE，优于岭回归、k-近邻和环面模型。
• 表现最佳的模型所达到的RMSE约为理想条件下预测误差理论下限的两倍。
• 理论性能极限是在假设温度预报无误差的前提下推导得出的，为模型评估提供了基准。
• 气象预报不准确性显著贡献于预测误差，其影响在误差分析中被定量量化。
• 结果表明，若预报精度提高，当前建模技术可实现高精度国家级居民天然气需求预测。
• 实际性能与理论性能之间的差距表明，进一步提升输入数据质量（尤其是温度预报）是实现更高精度的关键。