[论文解读] Short-term Load Forecasting at Different Aggregation Levels with Predictability Analysis

Yayu Peng, Yishen Wang+5 more|arXiv (Cornell University)|Mar 26, 2019

Energy Load and Power Forecasting参考文献 20被引用 15

一句话总结

本文利用爱尔兰智能电表数据集，研究了多个聚合层级（特别是单个居民用户和中小企业用户）的短期负荷预测（STLF）。通过近似熵进行可预测性分析，并评估了从线性回归到深度学习的多种方法，结果表明数据预处理显著提升了低聚合、高波动性负荷的预测精度。

ABSTRACT

Short-term load forecasting (STLF) is essential for the reliable and economic operation of power systems. Though many STLF methods were proposed over the past decades, most of them focused on loads at high aggregation levels only. Thus, low-aggregation load forecast still requires further research and development. Compared with the substation or city level loads, individual loads are typically more volatile and much more challenging to forecast. To further address this issue, this paper first discusses the characteristics of small-and-medium enterprise (SME) and residential loads at different aggregation levels and quantifies their predictability with approximate entropy. Various STLF techniques, from the conventional linear regression to state-of-the-art deep learning, are implemented for a detailed comparative analysis to verify the forecasting performances as well as the predictability using an Irish smart meter dataset. In addition, the paper also investigates how using data processing improves individual-level residential load forecasting with low predictability. Effectiveness of the discussed method is validated with numerical results.

研究动机与目标

• 填补短期负荷预测（STLF）研究中针对低聚合负荷（如单个居民用户和中小企业用户）的空白。
• 通过近似熵量化不同负荷类型的可预测性，以评估其固有的可预测性。
• 在不同聚合层级上，评估从经典线性模型到最先进深度学习模型的广泛STLF技术。
• 研究数据预处理对提升低可预测性个体负荷预测性能的影响。
• 利用真实世界的爱尔兰智能电表数据集，对不同聚合层级的方法有效性进行实证验证。

提出的方法

• 采用近似熵量化不同聚合层级下负荷时间序列的可预测性，较低值表示更高的规律性和可预测性。
• 实施一套全面的STLF模型，包括线性回归、支持向量回归、XGBoost以及LSTM和GRU等深度学习架构。
• 应用数据预处理技术（如归一化、特征工程和噪声减少）以提升个体负荷数据的模型性能。
• 使用包含居民用户和中小企业用户高分辨率负荷测量值的真实爱尔兰智能电表数据集进行模型训练和评估。
• 在不同聚合层级上进行对比分析，以评估模型性能并识别适用于低聚合负荷的最有效方法。
• 使用RMSE和MAE等标准指标评估预测精度，结果在变电站、城市和个体用户层级分别报告。

实验结果

研究问题

• RQ1 不同聚合层级下，居民用户和中小企业用户的可预测性如何变化（以近似熵量化）？
• RQ2 在个体用户层级（负荷模式高度波动且不可预测）中，哪些STLF方法表现最佳？
• RQ3 数据预处理在多大程度上提升了低聚合、低可预测性负荷的预测精度？
• RQ4 在不同聚合层级上，传统机器学习模型与深度学习模型的预测表现如何比较？
• RQ5 在聚合层级全谱范围内，负荷可预测性与预测模型选择之间存在何种关系？

主要发现

• 与变电站或城市层级的聚合负荷相比，单个居民用户和中小企业用户的可预测性显著较低（近似熵更高）。
• 在个体负荷层级，LSTM和GRU等深度学习模型优于线性回归和XGBoost等传统模型，尤其在数据预处理后表现更优。
• 数据预处理技术（包括归一化和特征工程）显著提升了低聚合负荷的预测精度。
• 高聚合与低聚合层级预测之间的性能差距显著，所有模型在个体负荷上的RMSE和MAE值均更高。
• 近似熵值与预测难度密切相关，证实了熵值越低（越规律）的负荷模式越容易预测。
• 即使使用先进模型，个体层级负荷预测仍具挑战性，凸显了对定制化预处理和建模策略的迫切需求。