[论文解读] Short-term Prediction of Household Electricity Consumption Using Customized LSTM and GRU Models

Saad Emshagin, Wayes Koroni Halim+1 more|arXiv (Cornell University)|Dec 16, 2022

Energy Load and Power Forecasting被引用 5

一句话总结

本文提出针对智能电表数据的定制化LSTM与GRU模型，用于短期家庭用电量预测。结果表明，LSTM在真实时间序列数据上表现优于GRU与ARIMA，对个体家庭负荷的预测误差最小，精度更高。

ABSTRACT

With the evolution of power systems as it is becoming more intelligent and interactive system while increasing in flexibility with a larger penetration of renewable energy sources, demand prediction on a short-term resolution will inevitably become more and more crucial in designing and managing the future grid, especially when it comes to an individual household level. Projecting the demand for electricity for a single energy user, as opposed to the aggregated power consumption of residential load on a wide scale, is difficult because of a considerable number of volatile and uncertain factors. This paper proposes a customized GRU (Gated Recurrent Unit) and Long Short-Term Memory (LSTM) architecture to address this challenging problem. LSTM and GRU are comparatively newer and among the most well-adopted deep learning approaches. The electricity consumption datasets were obtained from individual household smart meters. The comparison shows that the LSTM model performs better for home-level forecasting than alternative prediction techniques-GRU in this case. To compare the NN-based models with contrast to the conventional statistical technique-based model, ARIMA based model was also developed and benchmarked with LSTM and GRU model outcomes in this study to show the performance of the proposed model on the collected time series data.

研究动机与目标

• 为应对由于高波动性和不确定性导致的个体家庭层面短期电力需求预测难题。
• 评估深度学习模型（特别是定制化LSTM与GRU）与传统统计模型（如ARIMA）的性能表现。
• 利用智能电表的时间序列数据，提高居民用电量预测的准确性。
• 为未来智能电网管理与家庭层面能源优化提供数据驱动且可扩展的解决方案。
• 对基于神经网络的模型在真实世界家庭用电量数据集上的有效性进行基准测试。

提出的方法

• 设计了定制化的长短期记忆网络（LSTM）与门控循环单元（GRU）架构，以捕捉家庭用电量序列中的时间依赖关系。
• 在来自个体家庭智能电表的高分辨率时间序列数据上训练模型。
• 通过调整超参数以优化模型性能，包括序列长度、层数量和学习率。
• 采用标准回归指标（如RMSE与MAE）对LSTM、GRU与ARIMA模型进行对比评估。
• 数据预处理包括归一化与序列窗口化，以准备递归模型的输入序列。
• 在测试集上评估模型，以确保其对未见家庭用电模式具有泛化能力与鲁棒性。

实验结果

研究问题

• RQ1 定制化LSTM与GRU模型在预测短期家庭用电量方面表现如何？
• RQ2 深度学习模型能否在预测个体家庭用电需求方面优于传统统计模型（如ARIMA）？
• RQ3 模型架构选择（LSTM与GRU）对波动性家庭负荷数据预测精度有何影响？
• RQ4 定制化RNN模型在捕捉家庭用电量中的长期与短期依赖关系方面效果如何？
• RQ5 利用真实世界智能电表数据，基于深度学习方法可实现多高的预测精度？

主要发现

• 定制化LSTM模型在所有测试模型中取得了最低的RMSE与MAE值，表明其预测性能更优。
• GRU模型表现出良好竞争力，但在所有评估指标上均持续弱于LSTM。
• ARIMA模型的预测误差高于LSTM与GRU，凸显其在建模家庭负荷非线性模式方面的局限性。
• LSTM在捕捉家庭用电量中的长期时间依赖关系与季节性波动方面表现更优。
• 结果证实，与经典统计模型相比，深度学习模型更适合用于个体家庭用电量预测。
• 本研究验证了定制化RNN架构在真实世界智能电表数据集上可显著提升预测精度。