[論文レビュー] Electrical peak demand forecasting- A review

Shuang Dai, Fanlin Meng+3 more|arXiv (Cornell University)|Aug 3, 2021

Energy Load and Power Forecasting参考文献 155被引用数 4

ひとこと要約

本論文は、電力需要ピーク予測手法に関する包括的なレビューを提示し、139件の研究を3つの発展段階に分類し、機械学習、ディープラーニング、クラスタリングなどの手法を分析している。主な課題としてデータプライバシーとモデルの解釈可能性を特定し、スマートグリッドにおける予測精度の向上を目指してフェデレーテッドラーニングとドメイン知識の統合を提唱している。

ABSTRACT

The power system is undergoing rapid evolution with the roll-out of advanced metering infrastructure and local energy applications (e.g. electric vehicles) as well as the increasing penetration of intermittent renewable energy at both transmission and distribution level, which characterizes the peak load demand with stronger randomness and less predictability and therefore poses a threat to the power grid security. Since storing large quantities of electricity to satisfy load demand is neither economically nor environmentally friendly, effective peak demand management strategies and reliable peak load forecast methods become essential for optimizing the power system operations. To this end, this paper provides a timely and comprehensive overview of peak load demand forecast methods in the literature. To our best knowledge, this is the first comprehensive review on such topic. In this paper we first give a precise and unified problem definition of peak load demand forecast. Second, 139 papers on peak load forecast methods were systematically reviewed where methods were classified into different stages based on the timeline. Thirdly, a comparative analysis of peak load forecast methods are summarized and different optimizing methods to improve the forecast performance are discussed. The paper ends with a comprehensive summary of the reviewed papers and a discussion of potential future research directions.

研究の動機と目的

• 現代の電力システムにおけるピーク負荷需要予測のための統一的かつ明確な問題定義を提供すること。
• 歴史的発展段階に従って分類された139件の査読付き論文を系統的にレビューすること。
• 従来の統計的手法と現代の機械学習アプローチを含む、さまざまな予測モデルの性能を比較すること。
• データプライバシー、モデルの解釈可能性、極端な気象の影響といった主な課題を特定すること。
• 将来の研究方向性を提起すること。具体的にはフェデレーテッドラーニングと予測フレームワークへのドメイン知識の統合を含む。

提案手法

• 著者は、歴史的発展段階（古典的、高度、現代的）に分類された139編のピーク負荷予測に関する論文を系統的文献レビューした。
• データタイプ（例：時系列、気象、経済）とモデルアーキテクチャ（例：ARIMA、SVM、LSTM、XGBoost）に基づいて予測手法を分類した。
• 予測精度を向上させる技術、例えばクラスタリング、特徴工学、ハイブリッドモデリングの評価を行った。
• 高時間分解能のスマートメーター情報の役割と、複数ソースのデータ統合におけるプライバシー保護手法（例：フェデレーテッドラーニング）の必要性を強調した。
• ドメイン知識は、特に地域（例：コミュニティ）レベルでのクラスタリングベースの負荷パターンの解釈に不可欠であると特定された。
• グリッド運用者、小売業者、最終利用者といったステークホルダーの視点を統合し、予測の目的を実際の運用ニーズに一致させるフレームワークを構築した。

実験結果

リサーチクエスチョン

• RQ1 ピーク負荷需要に影響を与える主な要因は何であり、予測フレームワーク内で一貫して定義可能か？
• RQ2 ピーク負荷予測手法はどのように時間経過とともに進化したのか。また、古典的、高度、現代的段階の主な特徴は何か？
• RQ3 ピーク負荷予測精度を向上させるために最も効果的な機械学習およびディープラーニング手法は何か？
• RQ4 極端な気象イベントや人間の行動は、特に個別化（例：コミュニティ）レベルでの予測性能にどのように影響を与えるか？
• RQ5 データプライバシーと複数組織間のデータ共有における主な課題は何か。フェデレーテッドラーニングは、どのように安全な予測を支援できるか？

主な発見

• ピーク負荷予測は、グリッドのセキュリティ、コスト削減、需要応答戦略の実施に不可欠であり、電力市場のすべての関係者にとって重要である。
• 最高気温・最低気温、湿度などの気象変数の統合は、極端な気象時においても予測精度を顕著に向上させる。
• クラスタリングベースの手法は有望であるが、意味のある解釈にはドメイン知識に強く依存しており、文脈的情報の統合を強化する必要がある。
• 地域レベル（例：コミュニティや住宅）では、人間の行動がより高いランダム性をもたらすため、集計された地域レベルの予測に比べて個別化された予測はより困難である。
• 複数組織からのデータ統合にあたって、プライバシーとセキュリティが大きな懸念事項である。フェデレーテッドラーニングは、安全でプライバシー保護されたモデル学習のための主要な今後の方向性とされている。
• 技術の進展にもかかわらず、すべての条件下で常に優れた性能を示す唯一のモデルは存在しない。モデル選択は、データ品質、解像度、予測期間に応じた文脈特有のものでなければならない。