SPDNet: Seasonal-Periodic Decomposition Network for Advanced Residential Demand Forecasting

要約

効率的なエネルギー管理とグリッドの安定性にとって、住宅用電力需要予測は重要です。
正確な予測により、ユーティリティ企業は計画と運用を最適化することができます。
ただし、現実世界の住宅用電力需要データは、複数の季節性、周期性、および突然の変動を含む複雑な時間的変動を示すことが多く、予測モデルに大きな課題をもたらします。
統計的方法、再発性、畳み込みニューラルネットワーク、および変圧器に依存する以前のモデルは、しばしばこれらの複雑な時間的ダイナミクスをキャプチャするのに苦労しています。
これらの課題に対処するために、2つの主要なモジュールで構成される新しい深い学習フレームワークである季節周期分解ネットワーク（SPDNET）を提案します。
1つ目は、入力データをトレンド、季節、および残留コンポーネントに分解する季節トレンド分解モジュール（STDM）です。
2つ目は、定期的な分解モジュール（PDM）です。これは、高速フーリエ変換を使用して支配的な期間を識別します。
各支配的な期間について、1D入力データは2Dテンソルに再形成され、行は周波数に対応する期間と列を表します。
2D表現は、3つのサブモジュールを介して処理されます。シャープな変動をキャプチャする1D畳み込み、グローバルパターンをモデル化する変圧器ベースのエンコーダー、および期間間の相互作用をキャプチャする2D畳み込みです。
現実世界の住宅用電力荷重データで実施された広範な実験は、SPDNETが、予測精度と計算効率の両方で従来のモデルと高度なモデルよりも優れていることを示しています。
このコードは、このリポジトリで入手できます：https：//github.com/tims2d/spdnet。

要約(オリジナル)

Residential electricity demand forecasting is critical for efficient energy management and grid stability. Accurate predictions enable utility companies to optimize planning and operations. However, real-world residential electricity demand data often exhibit intricate temporal variability, including multiple seasonalities, periodicities, and abrupt fluctuations, which pose significant challenges for forecasting models. Previous models that rely on statistical methods, recurrent, convolutional neural networks, and transformers often struggle to capture these intricate temporal dynamics. To address these challenges, we propose the Seasonal-Periodic Decomposition Network (SPDNet), a novel deep learning framework consisting of two main modules. The first is the Seasonal-Trend Decomposition Module (STDM), which decomposes the input data into trend, seasonal, and residual components. The second is the Periodical Decomposition Module (PDM), which employs the Fast Fourier Transform to identify the dominant periods. For each dominant period, 1D input data is reshaped into a 2D tensor, where rows represent periods and columns correspond to frequencies. The 2D representations are then processed through three submodules: a 1D convolution to capture sharp fluctuations, a transformer-based encoder to model global patterns, and a 2D convolution to capture interactions between periods. Extensive experiments conducted on real-world residential electricity load data demonstrate that SPDNet outperforms traditional and advanced models in both forecasting accuracy and computational efficiency. The code is available in this repository: https://github.com/Tims2D/SPDNet.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google