使用 ML.NET 進行電力消耗時序預測：基于家庭用電數(shù)據(jù)的實戰(zhàn)分析

作者：iamrick 2025-01-07 08:42:54

本文展示了如何使用 ML.NET 構(gòu)建電力消耗預測模型的完整過程。通過合理配置和訓練，可以得到一個可靠的預測模型，幫助優(yōu)化電力系統(tǒng)運營。這個方法不僅適用于家庭用電預測，還可以擴展到工業(yè)用電預測、智能電網(wǎng)管理等領域。

準確預測電力消耗對于電力系統(tǒng)的規(guī)劃和運營至關重要。本文將詳細介紹如何使用 ML.NET 構(gòu)建時序預測模型，以預測全局有功功率(Global_active_power)的變化。

項目概述

目標：預測未來24小時的電力消耗
技術棧：ML.NET、C#
算法：單變量時序分析（SSA）
數(shù)據(jù)源：家庭用電量數(shù)據(jù)集

環(huán)境準備

創(chuàng)建新的 C# 控制臺應用程序
安裝必要的 NuGet 包：

<PackageReference Include="Microsoft.ML" Version="2.0.0" />
<PackageReference Include="Microsoft.ML.TimeSeries" Version="2.0.0" />
<PackageReference Include="CsvHelper" Version="30.0.1" />

完整代碼實現(xiàn)

1. 定義數(shù)據(jù)模型

// 原始數(shù)據(jù)模型  
public class PowerConsumptionRawData
{
    [LoadColumn(0)]
    public string Date { get; set; }

    [LoadColumn(1)]
    public string Time { get; set; }

    [LoadColumn(2)]
    public float Global_active_power { get; set; }
}

public class PowerConsumptionData
{
    public DateTime Timestamp { get; set; }
    public float Global_active_power { get; set; }
}

public class PowerPrediction
{
    public float[] ForecastedPower { get; set; }
    public float[] LowerBoundPower { get; set; }
    public float[] UpperBoundPower { get; set; }
}

2. 主程序?qū)崿F(xiàn)

using Microsoft.ML;
using Microsoft.ML.Transforms.TimeSeries;
using System.Globalization;

namespace App11
{
    internal class Program
    {
        static void Main(string[] args)
        {
            // 初始化 ML.NET 上下文
            MLContext mlContext = new MLContext(seed: 0);

            // 加載數(shù)據(jù)
            // 加載原始數(shù)據(jù)  
            IDataView rawDataView = mlContext.Data.LoadFromTextFile<PowerConsumptionRawData>(
                path: "household_power_consumption.txt",
                hasHeader: true,
                separatorChar: ';'
            );

            // 轉(zhuǎn)換數(shù)據(jù)：合并日期時間并處理格式  
            var transformedData = mlContext.Data.CreateEnumerable<PowerConsumptionRawData>(rawDataView, reuseRowObject: false)
                .Select(row => new PowerConsumptionData
                {

                    Timestamp = ParseDateTime(row.Date + " " + row.Time),
                    Global_active_power = row.Global_active_power
                })
                .OrderBy(x => x.Timestamp)
                .ToList();


            // 將處理后的數(shù)據(jù)轉(zhuǎn)換回 IDataView  
            IDataView dataView = mlContext.Data.LoadFromEnumerable(transformedData);


            // 定義預測管道
            var pipeline = mlContext.Forecasting.ForecastBySsa(
                outputColumnName: "ForecastedPower",
                inputColumnName: nameof(PowerConsumptionData.Global_active_power),
                windowSize: 24,            // 24小時窗口
                seriesLength: 72,          // 使用3天的數(shù)據(jù)進行分析
                trainSize: 8760,           // 使用一年的數(shù)據(jù)訓練
                horizon: 24,               // 預測未來24小時
                confidenceLevel: 0.95f,
                confidenceLowerBoundColumn: "LowerBoundPower",
                confidenceUpperBoundColumn: "UpperBoundPower"
            );

            // 訓練模型
            var model = pipeline.Fit(dataView);
            Console.WriteLine("模型訓練完成！");

            // 評估模型
            // 評估模型  
            IDataView predictions = model.Transform(dataView);

            // 獲取預測值和實際值  
            var forecastingEngine = model.CreateTimeSeriesEngine<PowerConsumptionData, PowerPrediction>(mlContext);
            var forecast = forecastingEngine.Predict();

            // 手動計算評估指標  
            IEnumerable<float> actualValues = mlContext.Data.CreateEnumerable<PowerConsumptionData>(dataView,true)
                .Select(x => x.Global_active_power);

            IEnumerable<float> predictedValues = mlContext.Data.CreateEnumerable<PowerPrediction>(predictions, true)
                .Select(x => x.ForecastedPower[0]);

            // 首先打印數(shù)據(jù)數(shù)量  
            Console.WriteLine($"實際值數(shù)量: {actualValues.Count()}");
            Console.WriteLine($"預測值數(shù)量: {predictedValues.Count()}");

            // 檢查是否有無效值  
            var hasInvalidActual = actualValues.Any(x => float.IsNaN(x) || float.IsInfinity(x));
            var hasInvalidPredicted = predictedValues.Any(x => float.IsNaN(x) || float.IsInfinity(x));

            Console.WriteLine($"實際值中包含無效值: {hasInvalidActual}");
            Console.WriteLine($"預測值中包含無效值: {hasInvalidPredicted}");


            // 計算差異時過濾掉無效值  
            var metrics = actualValues.Zip(predictedValues, (actual, predicted) => new { Actual = actual, Predicted = predicted })
                .Where(pair => !float.IsNaN(pair.Actual) && !float.IsInfinity(pair.Actual) &&
                               !float.IsNaN(pair.Predicted) && !float.IsInfinity(pair.Predicted))
                .Select(pair => (double)pair.Actual - (double)pair.Predicted)
                .ToList();

            // 計算評估指標  
            double mse = metrics.Select(x => x * x).Average();
            double rmse = Math.Sqrt(mse);
            double mae = metrics.Select(x => Math.Abs(x)).Average();

            // 輸出評估指標  
            Console.WriteLine($"均方誤差 (MSE): {mse:F3}");
            Console.WriteLine($"均方根誤差 (RMSE): {rmse:F3}");
            Console.WriteLine($"平均絕對誤差 (MAE): {mae:F3}");


            // 保存模型
            string modelPath = "PowerPredictionModel.zip";
            mlContext.Model.Save(model, dataView.Schema, modelPath);

            // 加載模型并預測
            var loadedModel = mlContext.Model.Load(modelPath, out var modelInputSchema);
            var forecastEngine = loadedModel.CreateTimeSeriesEngine<PowerConsumptionData, PowerPrediction>(mlContext);
            var fforecast = forecastEngine.Predict();

            // 輸出預測結(jié)果
            Console.WriteLine("\n未來24小時的電力消耗預測：");
            for (int i = 0; i < fforecast.ForecastedPower.Length; i++)
            {
                Console.WriteLine($"第 {i + 1} 小時: {fforecast.ForecastedPower[i]:F3} kW " +
                                $"(置信區(qū)間: {fforecast.LowerBoundPower[i]:F3} - {fforecast.UpperBoundPower[i]:F3} kW)");
            }
        }

        static DateTime ParseDateTime(string dateString)
        {
            string[] formats = { "d/M/yyyy H:mm:ss", "dd/MM/yyyy H:mm:ss" }; // 支持多種格式  
            DateTime date;
            DateTime.TryParseExact(dateString, formats, CultureInfo.InvariantCulture, DateTimeStyles.None, out date);
            return date;
        }
    }
}

`MLContext.Forecasting.ForecastBySsa` 方法的所有參數(shù)：

必需參數(shù)

outputColumnName: string
// 預測結(jié)果輸出列的名稱
// 例如: "ForecastedPower"

inputColumnName: string
// 輸入數(shù)據(jù)列的名稱，用于預測的源數(shù)據(jù)列
// 例如: nameof(PowerConsumptionData.Global_active_power)

windowSize: int
// SSA（奇異譜分析）的窗口大小
// - 必須大于0且小于seriesLength
// - 影響模型捕捉的季節(jié)性模式
// - 推薦設置為預期周期長度的1/2到1/3

可選但重要的參數(shù)

seriesLength: int
// 用于訓練的時間序列片段長度
// - 默認值：windowSize * 2
// - 必須大于windowSize
// - 建議值：windowSize的2-3倍

trainSize: int
// 用于訓練的數(shù)據(jù)點數(shù)量
// - 默認值：整個數(shù)據(jù)集大小
// - 確定模型訓練使用的歷史數(shù)據(jù)量

horizon: int
// 預測的未來時間點數(shù)量
// - 默認值：1
// - 指定要預測多少個未來時間點

置信區(qū)間相關參數(shù)

confidenceLevel: float
// 預測的置信水平
// - 取值范圍：0到1之間
// - 常用值：0.95（95%置信度）
// - 默認值：0.95

confidenceLowerBoundColumn: string
// 置信區(qū)間下界的輸出列名
// - 可選參數(shù)
// - 例如: "LowerBoundPower"

confidenceUpperBoundColumn: string
// 置信區(qū)間上界的輸出列名
// - 可選參數(shù)
// - 例如: "UpperBoundPower"

最佳實踐

// 對于每小時數(shù)據(jù)的典型設置
var pipeline = mlContext.Forecasting.ForecastBySsa(
    outputColumnName: "Forecast",
    inputColumnName: "Value",
    windowSize: 24,           // 一天
    seriesLength: 72,         // 三天
    trainSize: 8760,          // 一年
    horizon: 24,              // 預測一天
    confidenceLevel: 0.95f
);

// 對于每日數(shù)據(jù)的典型設置
var pipeline = mlContext.Forecasting.ForecastBySsa(
    outputColumnName: "Forecast",
    inputColumnName: "Value",
    windowSize: 7,            // 一周
    seriesLength: 21,         // 三周
    trainSize: 365,           // 一年
    horizon: 7,               // 預測一周
    confidenceLevel: 0.95f
);

這些參數(shù)的正確設置對模型的預測性能至關重要，建議根據(jù)實際數(shù)據(jù)特征和業(yè)務需求進行調(diào)整和實驗。

模型評估

使用兩個主要指標評估模型性能：

平均絕對誤差 (MAE)

a.MAE 直接反映預測值與實際值的平均偏差

b.數(shù)值越小表示預測越準確

c.單位與原始數(shù)據(jù)相同，便于理解

均方根誤差 (RMSE)
RMSE 對大誤差更敏感
通過平方放大了大誤差的影響
最終開方使單位與原始數(shù)據(jù)相同

總結(jié)

責任編輯：武曉燕來源：技術老小子

ML.NET 模型預測