[论文解读] State-of-the-art predictive and prescriptive analytics for IEEE CIS 3rd Technical Challenge

Mahdi Abolghasemi, Rasul Esmaeilbeigi|arXiv (Cornell University)|Dec 7, 2021

Anomaly Detection Techniques and Applications被引用 9

一句话总结

本论文提出了一种先进的集成LightGBM预测模型，结合基于样本平均近似（SAA）的混合整数线性规划（MILP）方法，以在不确定性条件下实现能源成本最小化。该方法在IEEE CIS第三届技术挑战赛的优化赛道中获得第一名，在预测赛道中获得第二名，通过利用多时间尺度气象特征、基于场景的鲁棒优化以及一种暖启动固定-优化启发式方法，将平均能源成本降低了3%，同时提升了预测准确性。

ABSTRACT

In this paper, we describe our proposed methodology to approach the predict+optimise challenge introduced in the IEEE CIS 3rd Technical Challenge. The predictive model employs an ensemble of LightGBM models and the prescriptive analysis employs mathematical optimisation to efficiently prescribe solutions that minimise the average cost over multiple scenarios. Our solutions ranked 1st in the optimisation and 2nd in the prediction challenge of the competition.

研究动机与目标

• 为IEEE CIS第三届技术挑战赛中的不确定性能源调度问题，开发一种稳健的预测与决策分析框架。
• 通过先进的特征工程与集成建模方法，提升太阳能发电与建筑能耗需求的预测准确性。
• 通过考虑预测不确定性的基于场景的优化方法，最小化总能源成本。
• 设计一种高效的优化引擎，通过暖启动启发式方法与变量松弛策略，在解的质量与计算速度之间实现平衡。

提出的方法

• 采用两个LightGBM模型的集成方法，基于日历特征、逐日与逐小时气象数据以及滚动统计量，生成多场景预测结果。
• 使用样本平均近似（SAA）方法，最小化六种预测场景下的期望成本，从而增强对预测误差的鲁棒性。
• 构建一个混合整数线性规划（MILP）模型，通过线性化二次成本项及电池充放电与活动调度的约束条件。
• 提出一种两阶段固定-优化启发式方法：首先松弛电池的整数约束以快速获得初始解，随后固定活动调度并重新优化电池决策。
• 将二元变量（λ）松弛为连续非负变量，以加速求解器收敛，同时保持较强的约束边界。
• 实现了一个基于Python的Gurobi驱动优化引擎，支持使用先前解文件的暖启动功能，以提升运行效率与解的质量。

实验结果

研究问题

• RQ1 集成机器学习模型在15分钟时间尺度下，如何提升太阳能发电与建筑能耗需求的预测准确性？
• RQ2 与单预测优化相比，基于SAA的场景化优化在多大程度上降低了期望能源成本？
• RQ3 在真实世界的能源调度挑战中，混合预测-决策框架是否能优于独立的预测或优化方法？
• RQ4 在随机优化设置下，预测准确性与实际能源成本节约之间存在何种相关性？
• RQ5 气象数据与时间特征在提升能源系统预测性能方面发挥何种作用？

主要发现

• 集成LightGBM模型在10月测试集上的平均绝对缩放误差（MASE）为0.58，表现出优异的预测性能。
• 最终优化提交在竞赛的优化赛道中获得第一名，11月测试集的实际能源成本为328,359。
• MASE从0.84降低至0.74（降低11%）对应实际能源成本降低3%，表明预测准确性与成本效率之间存在正相关关系。
• 通过SAA使用六种预测场景，使解的期望成本更低，且对单个预测误差的敏感性降低。
• 暖启动固定-优化启发式方法显著提升了求解速度与解的质量，最终求解器运行的最优性间隙接近2.5%。