Transfer Learning in Transformer-Based Demand Forecasting For Home Energy Management System

要約

電気代を最小限に抑え、再生可能エネルギーの使用量を最大化するために、住宅所有者が太陽光発電 (PV) システムや蓄電池を選択するケースが増えています。
これにより、これらの目標を最大限に達成する高度な制御アルゴリズムの開発が促進されました。
ただし、このようなコントローラーの開発中に直面する共通の課題は、特に短い時間分解能 (15 分) およびデータ効率の高い方法で家庭の電力消費量を正確に予測できないことです。
この論文では、複数の世帯からのデータを活用して単一住宅の負荷予測を改善することにより、転移学習がどのように役立つかを分析します。
具体的には、複数の異なる世帯からのデータを使用して高度な予測モデル (時間融合トランスフォーマー) をトレーニングし、次に限られたデータ (つまり、わずか数日) を使用して新しい世帯でこのグローバル モデルを微調整します。
得られたモデルは、モデル予測制御などの高度な制御装置での利用を目的として、今後24時間〜（前日）の家庭の電力消費量を15分単位の時間分解能で予測します。
(i) 予測精度 ($\sim$15\% MAE 削減) と (ii) 制御パフォーマンス ($\sim$2\%) の両方の観点から、個々の新しい世帯のデータのみを使用する場合と比べて、この転移学習セットアップの利点を示します。
エネルギーコストの削減）、実際の世帯データを使用します。

要約(オリジナル)

Increasingly, homeowners opt for photovoltaic (PV) systems and/or battery storage to minimize their energy bills and maximize renewable energy usage. This has spurred the development of advanced control algorithms that maximally achieve those goals. However, a common challenge faced while developing such controllers is the unavailability of accurate forecasts of household power consumption, especially for shorter time resolutions (15 minutes) and in a data-efficient manner. In this paper, we analyze how transfer learning can help by exploiting data from multiple households to improve a single house’s load forecasting. Specifically, we train an advanced forecasting model (a temporal fusion transformer) using data from multiple different households, and then finetune this global model on a new household with limited data (i.e. only a few days). The obtained models are used for forecasting power consumption of the household for the next 24 hours~(day-ahead) at a time resolution of 15 minutes, with the intention of using these forecasts in advanced controllers such as Model Predictive Control. We show the benefit of this transfer learning setup versus solely using the individual new household’s data, both in terms of (i) forecasting accuracy ($\sim$15\% MAE reduction) and (ii) control performance ($\sim$2\% energy cost reduction), using real-world household data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google