[論文レビュー] A Deep Learning Framework for Short-term Power Load Forecasting

Tinghui Ouyang, Yusen He+3 more|arXiv (Cornell University)|Nov 30, 2017

Energy Load and Power Forecasting参考文献 10被引用数 57

ひとこと要約

本論文は、Box-Cox変換、尾部依存性分析を用いたパラメトリックコプラとディープビリーフネットワークを組み合わせたデータ駆動型の短期グリッド負荷予測フレームワークを提案し、テキサス州の都市部データセットを用いて日次予測および週次予測を評価、いくつかの基準モデルを上回る性能を示している。

ABSTRACT

The scheduling and operation of power system becomes prominently complex and uncertain, especially with the penetration of distributed power. Load forecasting matters to the effective operation of power system. This paper proposes a novel deep learning framework to forecast the short-term grid load. First, the load data is processed by Box-Cox transformation, and two parameters (electricity price and temperature) are investigated. Then, to quantify the tail-dependence of power load on the two parameters, parametric Copula models are fitted and the threshold of peak load are computed. Next, a deep belief network is built to forecast the hourly load of the power grid. One year grid load data collected from an urbanized area in Texas, United States is utilized in the case studies. Short-term load forecasting are examined in four seasons independently. Day-ahead and week-ahead load forecasting experiments are conducted in each season using the proposed framework. The proposed framework is compared with classical neural networks, support vector regression machine, extreme learning machine, and classical deep belief networks. The load forecasting performances are assessed by mean absolute percentage error, root mean square error, and hit rate. Computational results confirm the effectiveness of the proposed data-driven deep learning framework. The prediction accuracies of both day-ahead forecasting and week-ahead forecasting demonstrate that the proposed framework outperforms the tested algorithms.

研究の動機と目的

• 分散型エネルギー資源を持つ現代の電力網において、正確な短期負荷予測を動機づける。
• 変換、尾部依存モデリング、および深層学習を組み合わせたデータ駆動型フレームワークを開発し、1時間ごとの負荷予測を行う。
• 日次予測および週次予測の季節別予測精度を評価する。
• 提案フレームワークを古典的なニューラルネットワーク、SVR、ELM、および古典的なDBNと比較する。
• 標準指標（MAE、RMSE、ヒット率）を用いて性能を定量化する。

提案手法

• 負荷データにBox-Cox変換を適用する。
• 二つのパラメータ（電気料金と温度）を因子として調査する。
• 尾部依存性を定量化しピーク負荷閾値を決定するためにパラメトリックコプラモデルを適合させる。
• 1時間ごとの負荷を予測するためのディープビリーフネットワークを構築する。
• 4つの季節にわたる日次予測および週次予測実験を実施する。
• 古典的なニューラルネットワーク、サポートベクタ回帰、極限学習機、古典的なディープビリーフネットワークとベンチマークする。

実験結果

リサーチクエスチョン

• RQ1 提案フレームワークは従来モデルと比べて短期（日次予測および週次予測）負荷予測精度を改善するか？
• RQ2 価格と温度が尾部依存性を通じて負荷にどのように影響し、これがピーク負荷閾値にどのように影響するか？
• RQ3 実データの都市部データセットにおける1時間ごとの負荷予測性能は季節を通じて一貫しているか？
• RQ4 この文脈でのBox-Cox変換とコプラベースの尾部モデリングの相対的利点は何か？

主な発見

• 提案フレームワークは日次および週次のいずれのタスクでも、検討されたベースラインを上回る予測精度を示した。
• コプラによる尾部依存性解析は、予測パイプライン内のピーク負荷閾値設定に影響を与える。
• 季節別実験は、提案手法が4つの季節を通じて有効であることを示す。
• 比較手法には古典的なニューラルネットワーク、SVR、ELM、古典的DBNが含まれ、提案フレームワークは評価指標でそれらを上回った。