Textual-Knowledge-Guided Numerical Feature Discovery Method for Power Demand Forecasting

📄 arXiv: 2312.00095v1 📥 PDF

作者: Zifan Ning, Min Jin

分类: cs.LG

发布日期: 2023-11-30

备注: 12 pages, 12 figures

💡 一句话要点

提出文本知识引导的数值特征发现方法以解决电力需求预测问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 电力需求预测 特征发现 多模态学习 文本知识 数值数据 四维数据库 机器学习

📋 核心要点

  1. 现有电力需求预测方法缺乏有效的特征数据库和理论机制，导致已知特征有限，影响预测准确性。
  2. 本文提出的TKNFD方法通过结合文本知识和数值数据，系统性地发现新的电力需求特征，提升预测能力。
  3. 实验结果显示，TKNFD方法在全球两个不同地区的预测准确性上显著优于现有方法，提升幅度达到16.84%至36.36%。

📝 摘要（中文）

电力需求预测是新型电力系统和综合能源系统中的一项重要且具有挑战性的任务。然而，由于缺乏公共特征数据库和电力需求变化的理论机制，已知的电力需求波动特征非常有限。本文提出了一种文本知识引导的数值特征发现（TKNFD）方法，通过交互两种模态数据，积累定性文本知识，扩展为候选特征集，收集这些特征的数值数据，最终构建四维多元源追踪数据库（4DM-STDs）。TKNFD采用两级定量特征识别策略，独立于预测模型，发现43-48个特征，并系统分析特征贡献和依赖关系。实验结果表明，TKNFD发现的特征在预测准确性上比现有特征方案提高了16.84%至36.36%的MAPE。

🔬 方法详解

问题定义：本文旨在解决电力需求预测中缺乏有效特征的问题，现有方法由于缺乏公共特征数据库和理论支持，导致特征识别能力不足。

核心思路：TKNFD方法通过整合文本知识与数值数据，构建候选特征集并进行特征识别，旨在发现新的、有效的电力需求特征。

技术框架：TKNFD的整体架构包括文本知识积累、候选特征集扩展、数值数据收集和四维多元源追踪数据库的构建，最后通过两级定量特征识别策略进行特征分析。

关键创新：TKNFD的主要创新在于通过文本知识引导特征发现，揭示了许多未知特征，尤其是在未知能源和天文维度的主导特征，显著扩展了对电力需求波动随机性和非线性的理解。

关键设计：在特征识别过程中，TKNFD采用了独立于预测模型的两级定量特征识别策略，发现了43-48个特征，并系统分析了特征的贡献和依赖关系。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，TKNFD方法在电力需求预测中的准确性显著提高，MAPE提升幅度达到16.84%至36.36%，超越了现有的最先进特征方案，特别是在未知能源和天文维度的特征发现上具有重要意义。

🎯 应用场景

该研究的潜在应用领域包括电力系统管理、能源调度和智能电网优化等。通过提供更准确的电力需求预测，能够有效提升能源利用效率，降低运营成本，并为未来的能源政策制定提供数据支持。

📄 摘要（原文）

Power demand forecasting is a crucial and challenging task for new power system and integrated energy system. However, as public feature databases and the theoretical mechanism of power demand changes are unavailable, the known features of power demand fluctuation are much limited. Recently, multimodal learning approaches have shown great vitality in machine learning and AIGC. In this paper, we interact two modal data and propose a textual-knowledge-guided numerical feature discovery (TKNFD) method for short-term power demand forecasting. TKNFD extensively accumulates qualitative textual knowledge, expands it into a candidate feature-type set, collects numerical data of these features, and eventually builds four-dimensional multivariate source-tracking databases (4DM-STDs). Next, TKNFD presents a two-level quantitative feature identification strategy independent of forecasting models, finds 43-48 features, and systematically analyses feature contribution and dependency correlation. Benchmark experiments in two different regions around the world demonstrate that the forecasting accuracy of TKNFD-discovered features reliably outperforms that of SoTA feature schemes by 16.84% to 36.36% MAPE. In particular, TKNFD reveals many unknown features, especially several dominant features in the unknown energy and astronomical dimensions, which extend the knowledge on the origin of strong randomness and non-linearity in power demand fluctuation. Besides, 4DM-STDs can serve as public baseline databases.