​
引言

预测不同市场的需求高峰非常有用。在电力市场中，在需求高峰时段消耗电力会因较高的关税而受到惩罚。当个人或公司在电力需求最高时消耗电力时，监管机构称之为巧合高峰 (CP)。

在德克萨斯州电力市场 (ERCOT) 中，高峰是指 ERCOT 电网容量达到最高点时的每月 15 分钟间隔。高峰是由所有消费者对电网的总需求造成的。巧合高峰需求是 ERCOT 用来确定最终电力消费账单的重要因素。ERCOT 记录每个客户在 6 月至 9 月之间的 4 个月内的 CP 需求，并以此调整电价。因此，客户可以通过减少巧合高峰需求来节省电费。

在此示例中，我们将使用历史负荷数据训练 LightGBM 模型，以预测 2022 年 9 月的日内高峰。多重季节性通常存在于低采样电力数据中。需求表现出每日和每周的季节性，在一天的特定时间（例如下午 6:00 对凌晨 3:00）或特定日期（例如周日对周五）存在明显的模式。

首先，我们将加载 ERCOT 历史需求数据，然后使用 MLForecast.cross_validation 方法拟合 LightGBM 模型并预测 9 月份的每日负荷。最后，我们将展示如何使用预测结果来检测巧合高峰。

大纲

  1. 安装库
  2. 加载并探索数据
  3. 拟合 LightGBM 模型并进行预测
  4. 高峰检测

提示

您可以使用 Colab 交互式地运行此 Notebook

​
库

我们假设您已经安装了 MLForecast。请查看此指南了解 如何安装 MLForecast 的说明。

使用 pip install mlforecast 安装必要的包。

我们还需要使用 pip install lightgbm 安装 LightGBM。

​
加载数据

MLForecast 的输入始终是采用 长格式 的数据帧，包含三列：unique_id、ds 和 y

  • unique_id（字符串、整数或类别）表示序列的标识符。

  • ds（日期时间戳或整数）列应为索引时间的整数或日期时间戳，理想格式为 YYYY-MM-DD（日期）或 YYYY-MM-DD HH:MM:SS（时间戳）。

  • y（数值）表示我们希望预测的度量。我们将重命名

首先，读取 ERCOT 市场 2022 年的历史总需求数据。我们对原始数据（可在此处获取）进行了处理，包括添加因夏令时而缺失的小时、将日期解析为日期时间格式以及筛选出感兴趣的列。

import numpy as np
import pandas as pd
from utilsforecast.plotting import plot_series

# Load data
Y_df = pd.read_csv('https://datasets-nixtla.s3.amazonaws.com/ERCOT-clean.csv', parse_dates=['ds'])
Y_df = Y_df.query("ds >= '2022-01-01' & ds <= '2022-10-01'")

fig = plot_series(Y_df)

我们观察到时间序列表现出季节性模式。此外，时间序列包含 6,552 个观测值，因此有必要使用计算高效的方法在生产环境中部署它们。

​
拟合 LightGBM 模型并进行预测

导入 MLForecast 类和您需要的模型。

import lightgbm as lgb

from mlforecast import MLForecast
from mlforecast.target_transforms import Differences

首先，实例化模型并定义参数。

提示

在此示例中，我们使用 lgb.LGBMRegressor 模型的默认参数，但您可以更改它们以提高预测性能。

models = [
    lgb.LGBMRegressor(verbosity=-1) # you can include more models here
]

我们通过实例化一个带有以下必需参数的 MLForecast 对象来拟合模型

  • models：一个 sklearn-like（拟合和预测）模型的列表。

  • freq：一个字符串，指示数据的频率。（参见 pandas 可用的频率别名。）

  • target_transforms：在计算特征之前应用于目标的变换。这些变换在预测步骤中会恢复。

  • lags：用作特征的目标滞后值。

# Instantiate MLForecast class as mlf
mlf = MLForecast(
    models=models,
    freq='H', 
    target_transforms=[Differences([24])],
    lags=range(1, 25)
)

提示

在此示例中，我们仅使用差分和滞后值来生成特征。请参阅完整文档以查看所有可用特征。

cross_validation 方法允许用户模拟多个历史预测，通过将 for 循环替换为 fit 和 predict 方法，极大地简化了流水线。此方法会重新训练模型并预测每个窗口。请参阅此教程，其中包含窗口如何定义的动画演示。

使用 cross_validation 方法生成 9 月份的所有每日预测。要生成每日预测，将预测范围 window_size 设置为 24。在此示例中，我们模拟在 9 月份部署流水线，因此将窗口数设置为 30（每天一个）。最后，窗口之间的步长为 24（等于 window_size）。这确保每天只生成一个预测。

此外，

  • id_col：标识每个时间序列。
  • time_col：标识时间序列的时间列。
  • target_col：标识要建模的列。
crossvalidation_df = mlf.cross_validation(
    df=Y_df,
    h=24,
    n_windows=30,
)

crossvalidation_df.head()
unique_iddscutoffyLGBMRegressor
0ERCOT2022-09-01 00:00:002022-08-31 23:00:0045482.47175745685.265537
1ERCOT2022-09-01 01:00:002022-08-31 23:00:0043602.65804343779.819515
2ERCOT2022-09-01 02:00:002022-08-31 23:00:0042284.81734242672.470923
3ERCOT2022-09-01 03:00:002022-08-31 23:00:0041663.15677142091.768192
4ERCOT2022-09-01 04:00:002022-08-31 23:00:0041710.62190442481.403168

重要提示

使用 cross_validation 时，请确保在所需的时间戳生成预测。检查 cutoff 列，该列指定预测窗口之前的最后一个时间戳。

​
高峰检测

最后，我们使用 crossvaldation_df 中的预测结果来检测每日小时需求高峰。对于每一天，我们将检测到的高峰设置为最高的预测值。在这种情况下，我们希望预测一个高峰 (npeaks)；根据您的设置和目标，此参数可能会改变。例如，高峰数量可以对应电池为降低需求可放电的小时数。

npeaks = 1 # Number of peaks

对于 ERCOT 4CP 检测任务，我们关注的是正确预测最高的月度负荷。接下来，我们筛选出 9 月份小时需求最高的一天并预测该高峰。

crossvalidation_df = crossvalidation_df.reset_index()[['ds','y','LGBMRegressor']]
max_day = crossvalidation_df.iloc[crossvalidation_df['y'].argmax()].ds.day # Day with maximum load
cv_df_day = crossvalidation_df.query('ds.dt.day == @max_day')
max_hour = cv_df_day['y'].argmax()
peaks = cv_df_day['LGBMRegressor'].argsort().iloc[-npeaks:].values # Predicted peaks

在下图中，我们可以看到 LightGBM 模型如何成功检测到 2022 年 9 月的巧合高峰。

import matplotlib.pyplot as plt

fig, ax = plt.subplots(figsize=(10, 5))
ax.axvline(cv_df_day.iloc[max_hour]['ds'], color='black', label='True Peak')
ax.scatter(cv_df_day.iloc[peaks]['ds'], cv_df_day.iloc[peaks]['LGBMRegressor'], color='green', label=f'Predicted Top-{npeaks}')
ax.plot(cv_df_day['ds'], cv_df_day['y'], label='y', color='blue')
ax.plot(cv_df_day['ds'], cv_df_day['LGBMRegressor'], label='Forecast', color='red')
ax.set(xlabel='Time', ylabel='Load (MW)')
ax.grid()
ax.legend()
fig.savefig('../../figs/electricity_peak_forecasting__predicted_peak.png', bbox_inches='tight')
plt.close()

重要提示

在此示例中，我们仅包含 9 月份的数据。然而，MLForecast 和 LightGBM 可以正确预测 2022 年这 4 个月的高峰。您可以通过增加 cross_validation 的 n_windows 参数或过滤 Y_df 数据集来尝试此操作。

​
下一步

特别是 MLForecast 和 LightGBM 是用于高峰检测的良好基准模型。但是，进一步探索更新的预测算法或进行超参数优化可能会很有用。