[論文レビュー] A Single Scalable LSTM Model for Short-Term Forecasting of Disaggregated Electricity Loads

Andrés M. Alonso, Francisco J. Nogales+1 more|arXiv (Cornell University)|Oct 15, 2019

Energy Load and Power Forecasting参考文献 28被引用数 4

ひとこと要約

本論文では、数千台の個別スマートメーターの短期電力需要を同時に予測する、スケーラブルな一括LSTM再帰的ニューラルネットワークモデルを提案する。多様な世帯の代表的サブセットで学習することで、個別モデルのベンチマークを20%以上上回る精度を達成し、学習後は計算コストを最小限に抑えながら、未学習の新規消費者の予測も可能となる。

ABSTRACT

Most electricity systems worldwide are deploying advanced metering infrastructures to collect relevant operational data. In particular, smart meters allow tracking electricity load consumption at a very disaggregated level and at high frequency rates. This data opens the possibility of developing new forecasting models with a potential positive impact in electricity systems. We present a general methodology that is able to process and forecast a large number of smart meter time series. Instead of using traditional and univariate approaches, we develop a single but complex recurrent neural-network model with long short-term memory that can capture individual consumption patterns and also consumptions from different households. The resulting model can accurately predict future loads (short-term) of individual consumers, even if these were not included in the original training set. This entails a great potential for large scale applications as once the single network is trained, accurate individual forecast for new consumers can be obtained at almost no computational cost. The proposed model is tested under a large set of numerical experiments by using a real-world dataset with thousands of disaggregated electricity consumption time series. Furthermore, we explore how geo-demographic segmentation of consumers may impact the forecasting accuracy of the model.

研究の動機と目的

• スマートメーターからの大規模かつ個別化された電力需要時系列の短期予測のためのスケーラブルで単一モデルのアプローチを開発すること。
• 世帯ごとの個別モデルを学習する計算負荷を軽減するため、統一されたLSTMアーキテクチャを用いること。
• 再学習なしに、以前に存在しなかった新規の消費者の予測を正確に行えるようにすること。
• 地理的・人口統計的セグメンテーションが予測性能に与える影響を評価すること。
• スマートグリッド応用におけるリアルタイム負荷予測のための計算効率が高く大規模なソリューションを提供すること。

提案手法

• 地理的・人口統計的特徴に基づいてグループ化されたスマートメーター時系列の代表的サブセット上で、一括LSTMベースの再帰的ニューラルネットワークを学習する。
• モデルは複数世帯のパターンを同時に学習し、個々の消費行動と世帯間ダイナミクスを捉える。
• 入力特徴には時系列変数（時刻、週の曜日、月）、天候データ、カレンダー効果を含め、予測精度を向上させる。
• モデルは一度の学習で完了し、新規世帯のアウトオブサンプル予測に再利用可能であり、学習セットに含まれない世帯に対しても適用可能。
• 性能は、複数のアウトオブサンプル期間および地理的・人口統計的グループでMAE（平均絶対誤差）を用いて評価される。
• 階層的アプローチを採用：まず、19の均質なグループにデータをセグメンテーション；次に、各グループごとに一括LSTMを学習、または混合データセット上でグローバルに学習して一般化性能を向上。

実験結果

リサーチクエスチョン

• RQ1 一括LSTMモデルは、数千台の個別化された電力需要時系列に対して高い予測精度を達成できるか？
• RQ2 学習セットに含まれない新規の未確認世帯の予測において、モデルはどの程度の性能を示すか？
• RQ3 グローバルモデルと比較して、地理的・人口統計的セグメンテーションは予測精度をどの程度向上させるか？
• RQ4 従来の単変量アプローチと比較して、提案モデルの計算効率はどの程度か？
• RQ5 モデルは、個々の世帯の負荷データに含まれる非線形性、季節性、ノイズをどのように処理するか？

主な発見

• バックテスト実験において、全テスト期間および全メーターで中央値MAEが、単変量ベンチマークを20%以上上回る。
• 19の地理的・人口統計的グループすべてで一貫したアウトオブサンプル性能を示し、ACORN-Uおよびグローバルグループを含む安定した誤差低減が確認された。
• 学習セットに含まれない新規世帯の予測に対しても、高い精度を維持しており、優れた一般化能力を示している。
• 均質な地理的・人口統計的グループで学習した場合、モデルの性能は顕著に向上するが、事前の分類がなくても依然として有効である。
• 一度の初期学習で、数十万台のスマートメーターに対するスケーラブルでニアリアルタイムの予測が可能となった。
• モデルの成功は、大規模データセット上で複数のパターンを共同学習することで、複雑な非線形パターンと季節性を捉える能力に起因する。