Electric demand forecasting with neural networks and symbolic time series representation

Abstract

This paper addresses the electric demand prediction problem using neural networks and symbolization techniques. Symbolization techniques provide a time series symbolic representation of a lower length than the original time series. In our methodology, we incorporate the use of encoding from ordinal regression, preserving the notation of order between the symbols and make extensive experimentation with different neural network architectures and symbolization techniques. In our experimentation, we used the total electric demand data in the Spanish peninsula electric network, taken from 2009 to 2019 with a granularity of 10 min. The best model found making use of the symbolization methodology offered us slightly worse quality metrics (1.3655 RMSE and 0.0390 MAPE instead of the 1.2889 RMSE and 0.0363 MAPE from the best numerical model) but it was trained 6826 times faster.

Este artículo aborda el problema de la predicción de la demanda eléctrica utilizando redes neuronales y técnicas de simbolización. Las técnicas de simbolización proporcionan una representación simbólica de una serie temporal de menor longitud que la serie temporal original. En nuestra metodología, incorporamos el uso de codificación de la regresión ordinal, preservando la notación de orden entre los símbolos y realizamos una experimentación extensiva con diferentes arquitecturas de redes neuronales y técnicas de simbolización. En nuestra experimentación, utilizamos los datos de la demanda eléctrica total en la red eléctrica de la península española, tomados desde 2009 hasta 2019 con una granularidad de 10 minutos. El mejor modelo encontrado haciendo uso de la metodología de simbolización nos ofreció métricas de calidad ligeramente peores (1.3655 RMSE y 0.0390 MAPE en lugar de 1.2889 RMSE y 0.0363 MAPE del mejor modelo numérico) pero se entrenó 6826 veces más rápido.