[论文解读] Using Artificial Neural Network Techniques for Prediction of Electric Energy Consumption

Hasan M. H. Owda, Babatunji Omoniwa+2 more|arXiv (Cornell University)|Dec 6, 2014

Energy Load and Power Forecasting参考文献 16被引用 3

一句话总结

本文提出了一种前馈人工神经网络（ANN）模型，基于加沙地带（1994–2013年）的月度电力能耗数据进行训练，以预测未来需求。通过2折和K折交叉验证，模型实现了较低的误差率（MSE：1.21–1.88%，MAPE：120.91–187.65%），并展现出高精度，证明了ANN在数据稀缺、高不确定性的环境中进行能源预测的有效性。

ABSTRACT

Due to imprecision and uncertainties in predicting real world problems, artificial neural network (ANN) techniques have become increasingly useful for modeling and optimization. This paper presents an artificial neural network approach for forecasting electric energy consumption. For effective planning and operation of power systems, optimal forecasting tools are needed for energy operators to maximize profit and also to provide maximum satisfaction to energy consumers. Monthly data for electric energy consumed in the Gaza strip was collected from year 1994 to 2013. Data was trained and the proposed model was validated using 2-Fold and K-Fold cross validation techniques. The model has been tested with actual energy consumption data and yields satisfactory performance.

研究动机与目标

• 开发一种可靠的电力能耗预测模型，以应对加沙地带需求增长超过供应且历史数据有限的挑战。
• 解决传统统计方法（如回归和ARIMA）的局限性，这些方法常因不稳定性及对非线性关系处理能力差而失效。
• 评估人工神经网络在捕捉受天气、人口和GDP等因素影响的复杂非线性能耗模式方面的表现。
• 通过稳健的交叉验证技术（2折和K折）验证模型，确保泛化能力并避免过拟合。
• 为能源运营商提供一种实用、数据驱动的工具，以改善规划、最大化利润并提升能源匮乏地区的用户满意度。

提出的方法

• 本研究采用前馈反向传播神经网络，基于1994年至2013年加沙地带的月度电力能耗数据进行训练。
• 输入特征包括历史负荷、平均气温、相对湿度、人口和人均GDP，这些因素已知会影响能源需求。
• 模型采用Levenberg–Marquardt算法进行高效训练和权重优化，以最小化预测误差。
• 性能通过多种误差指标进行评估：均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）。
• 采用2折和K折交叉验证评估模型鲁棒性，验证集仅在训练期间使用，测试集则保留用于最终评估。
• 模型在19年数据上进行训练，并使用2012年和2013年实际能耗数据进行测试，以验证其预测准确性。

实验结果

研究问题

• RQ1 人工神经网络能否在加沙地带这类高不确定性、数据有限的环境中有效建模并预测电力能耗？
• RQ2 在预测准确性和稳定性方面，ANN模型在不同交叉验证技术（2折与K折）下的表现有何差异？
• RQ3 与仅依赖时间序列的方法相比，天气变量和经济社会因素（人口、GDP）在多大程度上提升了ANN模型的预测能力？
• RQ4 当在2012年和2013年未见数据上进行测试时，该模型的预测准确性如何？误差指标（MSE、RMSE、MAE、MAPE）如何反映其可靠性？
• RQ5 在现实世界不确定性条件下，所提出的ANN模型能否在能源预测方面优于传统统计方法（如ARIMA或回归）？

主要发现

• 在2012年数据的2折交叉验证中，ANN模型实现了1.21%的均方误差（MSE）和1.10%的均方根误差（RMSE），表明其具有出色的预测精度。
• 2013年，2折交叉验证下MSE为1.74%，RMSE为1.32%，MAPE为173.76%，表明模型在不同年份中均保持一致的性能。
• K折交叉验证在2012年产生了更高的误差率（MSE：3.87%，MAPE：386.54%），表明K折配置可能存在过拟合或不稳定性，可能与数据划分方式有关。
• 模型在月度能耗预测中表现出高度一致性，2012年和2013年大多数月份的预测值与实际数据高度吻合。
• 与仅使用时间序列的模型相比，引入天气和经济社会变量作为输入显著提升了模型性能，后者往往无法捕捉外部影响因素。
• 结果证实，ANN在高不确定性与数据有限的地区进行能源预测方面具有有效性，其表现优于传统回归和时间序列模型。