使用 ML.NET 进行电力消耗时序预测：基于家庭用电数据的实战分析-51CTO.COM

准确预测电力消耗对于电力系统的规划和运营至关重要。本文将详细介绍如何使用 ML.NET 构建时序预测模型，以预测全局有功功率(Global_active_power)的变化。

项目概述

目标：预测未来24小时的电力消耗
技术栈：ML.NET、C#
算法：单变量时序分析（SSA）
数据源：家庭用电量数据集

环境准备

创建新的 C# 控制台应用程序
安装必要的 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" />

完整代码实现

1. 定义数据模型

// 原始数据模型  
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. 主程序实现

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);

            // 加载数据
            // 加载原始数据  
            IDataView rawDataView = mlContext.Data.LoadFromTextFile<PowerConsumptionRawData>(
                path: "household_power_consumption.txt",
                hasHeader: true,
                separatorChar: ';'
            );

            // 转换数据：合并日期时间并处理格式  
            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();


            // 将处理后的数据转换回 IDataView  
            IDataView dataView = mlContext.Data.LoadFromEnumerable(transformedData);


            // 定义预测管道
            var pipeline = mlContext.Forecasting.ForecastBySsa(
                outputColumnName: "ForecastedPower",
                inputColumnName: nameof(PowerConsumptionData.Global_active_power),
                windowSize: 24,            // 24小时窗口
                seriesLength: 72,          // 使用3天的数据进行分析
                trainSize: 8760,           // 使用一年的数据训练
                horizon: 24,               // 预测未来24小时
                confidenceLevel: 0.95f,
                confidenceLowerBoundColumn: "LowerBoundPower",
                confidenceUpperBoundColumn: "UpperBoundPower"
            );

            // 训练模型
            var model = pipeline.Fit(dataView);
            Console.WriteLine("模型训练完成！");

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

            // 获取预测值和实际值  
            var forecastingEngine = model.CreateTimeSeriesEngine<PowerConsumptionData, PowerPrediction>(mlContext);
            var forecast = forecastingEngine.Predict();

            // 手动计算评估指标  
            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]);

            // 首先打印数据数量  
            Console.WriteLine($"实际值数量: {actualValues.Count()}");
            Console.WriteLine($"预测值数量: {predictedValues.Count()}");

            // 检查是否有无效值  
            var hasInvalidActual = actualValues.Any(x => float.IsNaN(x) || float.IsInfinity(x));
            var hasInvalidPredicted = predictedValues.Any(x => float.IsNaN(x) || float.IsInfinity(x));

            Console.WriteLine($"实际值中包含无效值: {hasInvalidActual}");
            Console.WriteLine($"预测值中包含无效值: {hasInvalidPredicted}");


            // 计算差异时过滤掉无效值  
            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();

            // 计算评估指标  
            double mse = metrics.Select(x => x * x).Average();
            double rmse = Math.Sqrt(mse);
            double mae = metrics.Select(x => Math.Abs(x)).Average();

            // 输出评估指标  
            Console.WriteLine($"均方误差 (MSE): {mse:F3}");
            Console.WriteLine($"均方根误差 (RMSE): {rmse:F3}");
            Console.WriteLine($"平均绝对误差 (MAE): {mae:F3}");


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

            // 加载模型并预测
            var loadedModel = mlContext.Model.Load(modelPath, out var modelInputSchema);
            var forecastEngine = loadedModel.CreateTimeSeriesEngine<PowerConsumptionData, PowerPrediction>(mlContext);
            var fforecast = forecastEngine.Predict();

            // 输出预测结果
            Console.WriteLine("\n未来24小时的电力消耗预测：");
            for (int i = 0; i < fforecast.ForecastedPower.Length; i++)
            {
                Console.WriteLine($"第 {i + 1} 小时: {fforecast.ForecastedPower[i]:F3} kW " +
                                $"(置信区间: {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" }; // 支持多种格式  
            DateTime date;
            DateTime.TryParseExact(dateString, formats, CultureInfo.InvariantCulture, DateTimeStyles.None, out date);
            return date;
        }
    }
}

`MLContext.Forecasting.ForecastBySsa` 方法的所有参数：

必需参数

outputColumnName: string
// 预测结果输出列的名称
// 例如: "ForecastedPower"

inputColumnName: string
// 输入数据列的名称，用于预测的源数据列
// 例如: nameof(PowerConsumptionData.Global_active_power)

windowSize: int
// SSA（奇异谱分析）的窗口大小
// - 必须大于0且小于seriesLength
// - 影响模型捕捉的季节性模式
// - 推荐设置为预期周期长度的1/2到1/3

可选但重要的参数

seriesLength: int
// 用于训练的时间序列片段长度
// - 默认值：windowSize * 2
// - 必须大于windowSize
// - 建议值：windowSize的2-3倍

trainSize: int
// 用于训练的数据点数量
// - 默认值：整个数据集大小
// - 确定模型训练使用的历史数据量

horizon: int
// 预测的未来时间点数量
// - 默认值：1
// - 指定要预测多少个未来时间点

置信区间相关参数

confidenceLevel: float
// 预测的置信水平
// - 取值范围：0到1之间
// - 常用值：0.95（95%置信度）
// - 默认值：0.95

confidenceLowerBoundColumn: string
// 置信区间下界的输出列名
// - 可选参数
// - 例如: "LowerBoundPower"

confidenceUpperBoundColumn: string
// 置信区间上界的输出列名
// - 可选参数
// - 例如: "UpperBoundPower"

最佳实践

// 对于每小时数据的典型设置
var pipeline = mlContext.Forecasting.ForecastBySsa(
    outputColumnName: "Forecast",
    inputColumnName: "Value",
    windowSize: 24,           // 一天
    seriesLength: 72,         // 三天
    trainSize: 8760,          // 一年
    horizon: 24,              // 预测一天
    confidenceLevel: 0.95f
);

// 对于每日数据的典型设置
var pipeline = mlContext.Forecasting.ForecastBySsa(
    outputColumnName: "Forecast",
    inputColumnName: "Value",
    windowSize: 7,            // 一周
    seriesLength: 21,         // 三周
    trainSize: 365,           // 一年
    horizon: 7,               // 预测一周
    confidenceLevel: 0.95f
);

这些参数的正确设置对模型的预测性能至关重要，建议根据实际数据特征和业务需求进行调整和实验。

模型评估

使用两个主要指标评估模型性能：

平均绝对误差 (MAE)

a.MAE 直接反映预测值与实际值的平均偏差

b.数值越小表示预测越准确

c.单位与原始数据相同，便于理解

均方根误差 (RMSE)
RMSE 对大误差更敏感
通过平方放大了大误差的影响
最终开方使单位与原始数据相同

总结

本文展示了如何使用 ML.NET 构建电力消耗预测模型的完整过程。通过合理配置和训练，可以得到一个可靠的预测模型，帮助优化电力系统运营。这个方法不仅适用于家庭用电预测，还可以扩展到工业用电预测、智能电网管理等领域。