[论文解读] The Importance of Environmental Factors in Forecasting Australian Power Demand

Ali Eshragh, Benjamin Ganim+2 more|arXiv (Cornell University)|Nov 3, 2019

Energy Load and Power Forecasting参考文献 31被引用 12

一句话总结

本文提出了一种混合SARIMA-回归模型，将环境因素——最高温度、最低温度和太阳辐射——整合进季节性自回归积分滑动平均（SARIMA）框架中，用于预测澳大利亚三个州的周峰值电力需求。该模型实现了3.41%的平均绝对百分比误差（MAPE），相比纯SARIMA模型提升了46.3%，且优于最先进的基于RNN的全局预测模型等机器学习方法。

ABSTRACT

We develop a time series model to forecast weekly peak power demand for three main states of Australia for a yearly time-scale, and show the crucial role of environmental factors in improving the forecasts. More precisely, we construct a seasonal autoregressive integrated moving average (SARIMA) model and reinforce it by employing the exogenous environmental variables including, maximum temperature, minimum temperature, and solar exposure. The estimated hybrid SARIMA-regression model exhibits an excellent mean absolute percentage error (MAPE) of 3.41%. Moreover, our analysis demonstrates the importance of the environmental factors by showing a remarkable improvement of 46.3% in MAPE for the hybrid model over the crude SARIMA model which merely includes the power demand variables. In order to illustrate the efficacy of our model, we compare our outcome with the state-of-the-art machine learning methods in forecasting. The results reveal that our model outperforms the latter approach.

研究动机与目标

• 研究环境因素——最高温度、最低温度和太阳辐射——对澳大利亚中期周峰值电力需求预测的影响。
• 通过将外生环境变量整合进SARIMA模型，提升中期负荷预测（MTLF）的准确性。
• 将所提出的混合模型性能与最先进的机器学习方法（特别是基于RNN的全局预测模型）进行比较。
• 提供一种透明、可解释且计算高效的预测框架，适用于实际能源规划应用。

提出的方法

• 对新南威尔士州（NSW）、维多利亚州（VIC）和南澳大利亚州（SA）的周峰值电力需求（WPD）数据拟合季节性自回归积分滑动平均（SARIMA）模型。
• 通过线性回归组件引入外生环境变量——最高温度、最低温度和太阳辐射，构建混合SARIMA-回归模型。
• 利用历史数据估计模型，将环境变量作为确定性回归变量处理，以最大化预测能力。
• 采用平均绝对百分比误差（MAPE）评估模型性能，并与纯SARIMA模型及最先进的基于RNN的全局预测模型（GFM）进行比较。
• 通过序列模型基优化算法配置（SMAC）和COCOB优化算法对基于RNN的GFM的超参数进行优化。
• 在2017年52周的预测上验证模型，结果在三个州均进行可视化与对比。

实验结果

研究问题

• RQ1 最高温度、最低温度和太阳辐射等环境因素在多大程度上提升了澳大利亚中期周峰值电力需求预测的准确性？
• RQ2 混合SARIMA-回归模型在预测周峰值需求方面相较于纯SARIMA模型表现如何？
• RQ3 在此背景下，混合统计模型能否优于最先进的机器学习方法，如基于RNN的全局预测模型？
• RQ4 在气候条件各异的澳大利亚各州，预测误差（以MAPE衡量）如何变化？

主要发现

• 混合SARIMA-回归模型在澳大利亚所有三个州均实现了3.41%的平均绝对百分比误差（MAPE），表现出高预测精度。
• 与纯SARIMA模型相比，环境因素的引入使预测精度平均提升46.3%，各州提升幅度分别为38.6%（VIC）至58.6%（NSW）。
• 该混合模型优于最先进的基于RNN的全局预测模型，后者报告的MAPE值更高（NSW为5.07%，VIC为5.30%，SA为7.81%）。
• 模型系数具有可解释性且计算效率高，相较于复杂的黑箱机器学习模型具有实际优势。
• 温度和太阳辐射等环境变量表现出强烈的季节性和平稳性模式，支持其作为长期预测中可靠预测变量的使用。
• 未来工作可通过预测环境变量本身来进一步提升精度，但其强烈的季节性表明大部分预测能力将得以保留。