[論文レビュー] Electricity Demand Forecasting with Hybrid Statistical and Machine Learning Algorithms: Case Study of Ukraine

Tatiana Gonzalez Grandon, Johannes Schwenzer+2 more|arXiv (Cornell University)|Apr 11, 2023

Energy Load and Power Forecasting被引用数 5

ひとこと要約

本論文は、ウクライナにおける国家電力需要のための新規ハイブリッド予測モデルを提案する。マクロ経済、気温、カレンダーの回帰変数をARIMAおよびLSTMモデルと統合し、長期間・中期間・短期間の時間スケールで1時間ごとの需要を予測する。17,520件の時系列外予測において96.83%の精度を達成し、解釈可能な統計的構造と深層学習による残差補正を組み合わせることで、優れた性能を示した。

ABSTRACT

This article presents a novel hybrid approach using statistics and machine learning to forecast the national demand of electricity. As investment and operation of future energy systems require long-term electricity demand forecasts with hourly resolution, our mathematical model fills a gap in energy forecasting. The proposed methodology was constructed using hourly data from Ukraine's electricity consumption ranging from 2013 to 2020. To this end, we analysed the underlying structure of the hourly, daily and yearly time series of electricity consumption. The long-term yearly trend is evaluated using macroeconomic regression analysis. The mid-term model integrates temperature and calendar regressors to describe the underlying structure, and combines ARIMA and LSTM ``black-box'' pattern-based approaches to describe the error term. The short-term model captures the hourly seasonality through calendar regressors and multiple ARMA models for the residual. Results show that the best forecasting model is composed by combining multiple regression models and a LSTM hybrid model for residual prediction. Our hybrid model is very effective at forecasting long-term electricity consumption on an hourly resolution. In two years of out-of-sample forecasts with 17520 timesteps, it is shown to be within 96.83 \% accuracy.

研究の動機と目的

• 国家エネルギー計画における1時間解像度の正確な長期電力需要予測の不足に対処すること。
• 統計的手法と機械学習技術を統合した、多期間予測フレームワークの開発。
• ウクライナにおける電力消費に影響を与えるマクロ経済的要因、気候的要因、時間的要因の相互作用をモデル化すること。
• 古典的統計と深層学習を組み合わせたハイブリッドモデルが、残差誤差補正に与える影響を評価すること。
• 他の国における再現可能でオープンソースの自動化フレームワークを提供すること。

提案手法

• モデルは時間スケールに応じて電力需要を長期的、中期的、短期的成分に分解する。
• 長期予測には、マクロ経済的および人口動態変数を用いた線形回帰を適用し、年次トレンドを捉える。
• 中期予測には、気温およびカレンダーの回帰変数をARIMAおよびLSTMモデルと組み合わせ、構造的パターンと残差誤差を捉える。
• 短期予測には、カレンダーに基づく回帰変数と複数のARMAモデルを用い、1時間ごとの季節的パターンと残差ダイナミクスをモデル化する。
• ハイブリッド手法では、ARIMAを構造的時系列成分に、LSTMを非線形な残差パターンに使用し、予測精度を向上させる。
• すべてのモデルはRおよびPythonで実装され、コードとデータパイプラインがオープンソースソフトウェアとして提供され、自動化と再利用が可能である。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッド統計的手法と機械学習モデルは、1時間解像度の長期電力需要予測をどのように改善できるか？
• RQ2 マクロ経済、気温、カレンダー変数は、ウクライナの全国的電力需要トレンドをどの程度説明できるか？
• RQ3 ARIMAとLSTMモデルを組み合わせて残差予測に使用することで、単独モデルと比較して予測精度が著しく向上するか？
• RQ4 新型コロナウイルス感染症の流行開始のような現実世界の混乱要因に、モデルはどの程度耐性を示すか？
• RQ5 提案された手法は自動化可能であり、他の国における国家エネルギーシステムへの応用に一般化可能か？

主な発見

• ハイブリッドモデルは、2019年と2020年の17,520件の1時間ごとの予測において、平均絶対誤差率（MAPE）3.17％を達成し、96.83％の精度を示した。
• 2020年のMAPEが3.56％にわずかに上昇したことは、新型コロナウイルス感染症の流行開始に伴う外生的ショックへの感受性を示している。
• ARIMAとLSTMを組み合わせた残差モデリングにより、個別のモデルと比較して予測精度が著しく向上した。
• 短期モデルは、2019年および2020年のサンプル週の視覚的検証により、日次および週次季節的パターンを効果的に捉えていた。
• マクロ経済変数に基づく長期モデルは、2013年から2020年の電力消費の基本的年次トレンドを的確に捉えていた。
• モデルのオープンソース実装により、類似したデータ環境を持つ他の国における国家エネルギー計画の自動化と再利用が可能になった。