深度学习和基于树的模型在电力需求预测中的比较分析:准确性,可解释性和计算效率

科学领域:

• 建筑能源系统 建筑能源系统
• 计算智能是一种计算智能.
• 可持续的能源 可持续的能源

背景情况:

• 有效的建筑能源预测对于能源效率和电网可靠性至关重要.
• 机器学习 (ML),特别是深度学习 (DL),被广泛用于电力需求预测.
• 当前的评估往往忽视了模型的解释性和计算成本,阻碍了现实世界的应用.

研究的目的:

• 对用于建筑能源预测的ML模型进行多视角评估.
• 分析预测准确性,可解释性 (全球/本地) 和计算效率.
• 为选择适当的ML算法提供指导,用于负载预测.

主要方法:

• 对三个流行的DL模型 (RNN,GRU,LSTM) 和三个基于树的模型 (随机森林,XGBoost,LightGBM) 的比较分析.
• 评估指标包括预测准确性 (CV-RMSE),可解释性 (特征重要性,模型结构可视化) 和计算效率.
• 对不同电力需求水平的模型进行了评估.

主要成果:

• 模型性能随电力需求水平而变化;以树为基础的模型在较低的功耗下与DL模型竞争.
• 过去的电量使用和与时间相关的特征是关键预测因素;基于树的模型提供了更清晰的特征意义见解.
• DL模型通过隐藏状态可视化提供可解释性,而基于树的模型提供直观的决策规则.

结论:

• 在负载预测中选择ML模型时,多视角评估至关重要.
• 准确性,可解释性和计算效率之间的权衡应该指导模型选择.
• 这项研究为应用ML用于建筑能源预测提供了实用的见解.