[論文レビュー] Data-Driven Load Modeling and Forecasting of Residential Appliances

Yuting Ji, Elizabeth J. Buechler+1 more|arXiv (Cornell University)|Oct 8, 2018

Smart Grid Energy Management被引用数 4

ひとこと要約

本稿では、1分間隔のサブメーター電力データを用いて、データ駆動型で高分解能な負荷モデリングおよび住宅用家電の短期予測を実現するための条件付き隠れ半マルコフモデル（CHSMM）を提案する。家電の状態とその持続時間を確率的にモデル化し、外生変数（気温や時刻など）に条件付けた遷移を考慮することで、正確な予測と異常検出が可能となり、モデルの最適化により集約されたエアコンのNRMSEが0.050まで低下した。

ABSTRACT

The expansion of residential demand response programs and increased deployment of controllable loads will require accurate appliance-level load modeling and forecasting. This paper proposes a conditional hidden semi-Markov model to describe the probabilistic nature of residential appliance demand, and an algorithm for short-term load forecasting. Model parameters are estimated directly from power consumption data using scalable statistical learning methods. Case studies performed using sub-metered 1-minute power consumption data from several types of appliances demonstrate the effectiveness of the model for load forecasting and anomaly detection.

研究の動機と目的

• 高時間分解能での確率的行動を捉えることができる、スケーラブルでデータ駆動型の住宅用家電負荷モデルの開発。
• 実際の電力消費データから確率的状態遷移および持続時間分布を学習することで、短期的な負荷予測を実現すること。
• 外気温や時刻などの外生変数を組み込むことで、行動的および環境的要因へのモデルの適応性を向上させること。
• 個々の家電および集約レベルでの予測を可能にすることで、需要応答およびグリッドの信頼性を支援すること。
• 予測誤差解析を用いて、異常な家電行動（例：電気自動車の延長充電停止）を検出するモデルの有効性を示すこと。

提案手法

• モデルは、家電の稼働を、持続時間が確率的である未観測状態の系列として表現するための条件付き隠れ半マルコフモデル（CHSMM）を用いる。
• 状態遷移確率および発生確率は、外気温や時刻などの外生変数に条件付けられ、環境的および時間的要因の影響を反映する。
• 高次元の状態および持続時間空間を効率的に処理するため、スケーラブルな統計的学習、特に多変量ロジスティック回帰（MNLR）を用いてモデルパラメータを推定する。
• 学習済みCHSMMに基づき、60分先までの予測が可能な短期負荷予測アルゴリズムを開発する。
• 長時間のイベントのモデリングおよび状態固有の持続時間分布の改善を目的として、重み付きMNLRおよび状態固有MNLRの2つの最適化手法を適用する。特にエアコンの性能向上に有効である。
• 予測誤差が大きい場合を異常とみなして、通常の家電行動からの逸脱を検出する異常検出を実施する。

実験結果

リサーチクエスチョン

• RQ1 高分解能電力データを用いて、データ駆動型CHSMMが住宅用家電の確率的で状態ベースの行動を効果的にモデル化できるか？
• RQ2 外生変数（気温や時刻）に状態遷移および持続時間を条件付けた場合、予測精度がどのように向上するか？
• RQ3 重み付きMNLRおよび状態固有MNLRといったモデル最適化手法により、エアコンのような特定の家電の予測誤差はどの程度低減できるか？
• RQ4 予測誤差を信頼性を持って用いることで、電気自動車の延長充電停止のような異常な家電行動を検出できるか？
• RQ5 モデルは、さまざまな家電集約レベルにおいてどの程度一般化性能を示すか？

主な発見

• 基本モデルを用いた集約エアコンの1時間先負荷予測ではNRMSEが0.109であったが、両方のモデル最適化を適用したことで0.050まで低下した。
• 重み付きMNLRの最適化により、特に高熱負荷期間におけるエアコンの希少で長時間のON状態の予測精度が顕著に向上した。
• 状態固有MNLRアプローチにより、ON状態およびOFF状態の持続時間分布のより良い近似が可能となり、予測誤差が低減した。
• 予測誤差に基づく異常検出は、電気自動車の延長充電停止（例：テストでは16.3日、トレーニングデータでは0.98日）を効果的に特定した。
• 多数の家電タイプおよび集約レベルにおいて、モデルは低平均予測誤差を示し、高いロバストネスを示した。
• 気温や時刻といった外生変数の統合により、モデルの適応性および予測精度が向上した。