[論文レビュー] Electricity Load Forecasting -- An Evaluation of Simple 1D-CNN Network Structures

C. B. Lang, Florian Steinborn+2 more|arXiv (Cornell University)|Nov 26, 2019

Energy Load and Power Forecasting参考文献 8被引用数 9

ひとこと要約

この論文は、集約された家庭負荷データを用いて、短時間電力需要予測（36時間の予測範囲）のための単純な1次元畳み込みニューラルネットワーク（1D-CNN）アーキテクチャの評価を行う。最適化されたカーネルサイズ、フィルタ数、全結合層のサイズを備えた基本的なCNNが、アパート建物（40戸）および都市地区（350戸）の負荷プロファイルの両方で優れた予測性能を示し、外部特徴を含まない標準的なプロファイルを上回ることを示している。

ABSTRACT

This paper presents a convolutional neural network (CNN) which can be used for forecasting electricity load profiles 36 hours into the future. In contrast to well established CNN architectures, the input data is one-dimensional. A parameter scanning of network parameters is conducted in order to gain information about the influence of the kernel size, number of filters, and dense size. The results show that a good forecast quality can already be achieved with basic CNN architectures.The method works not only for smooth sum loads of many hundred consumers, but also for the load of apartment buildings.

研究の動機と目的

• 住宅エネルギーシステムにおける短時間電力需要予測（STLF）のための単純な1D-CNNアーキテクチャの性能を評価すること。
• 集約された負荷プロファイルの予測のためのネットワークハイパーパrameterの最適な組み合わせ（カーネルサイズ、フィルタ数、全結合層サイズ）を特定すること。
• 外部の気象的・時間的特徴（気象データやカレンダー情報など）を組み込まない最小限のCNNアーキテクチャが、標準的な負荷プロファイルを上回る性能を示すかどうかを評価すること。
• モデルの複雑さが予測精度および一般化性能に与える影響、特に過学習の観点から分析すること。

提案手法

• 15分間隔の電力需要時系列データ（40戸および350戸分の集約データ）を用いて1D-CNNモデルを学習する。
• ネットワークアーキテクチャは、ReLU活性化関数を備えた1つの1次元畳み込み層、その後にグローバル平均プーリング層、そして全結合（dense）層から構成される。
• ハイパーパramータースキャンは、カーネルサイズ（3–15）、フィルタ数（8–64）、全結合層サイズ（1–16）の範囲で実施され、評価指標として平均二乗誤差（MSE）が用いられる。
• モデルは、アイルランドの家庭データ18か月分をカバーするCERスマートメーター・プロジェクトの時系列データを用いて学習および検証される。
• 予測範囲は15分間隔で144ステップ（36時間）に設定されている。
• ハイパーパramータとMSEへの影響を分析するため、ヒートマップを用いて結果を可視化する。

実験結果

リサーチクエスチョン

• RQ1 短時間電力需要予測における単純な1D-CNNの最適なカーネルサイズ、フィルタ数、全結合層サイズの組み合わせは何か？
• RQ2 パramータ数で測定されるモデルの複雑さが、予測精度および一般化性能に与える影響は何か？
• RQ3 最小限の1D-CNNアーキテクチャは、気象やカレンダー情報などの外部特徴を組み込まない標準的な負荷プロファイルを上回る性能を示せるか？
• RQ4 40戸および350戸の集約負荷の両方において、モデルの性能はどのように変化するか？

主な発見

• 350戸分の負荷プロファイルでは、全結合層サイズが4–6ニューロンのときに予測性能が最も良くなる。これは、時系列を表現するのに4–6の特徴で十分であることを示している。
• 40戸分の負荷プロファイルでは、シンプルなアーキテクチャであっても、標準的な負荷プロファイルと比較してMSEが顕著に低減される。
• 全結合層サイズが1の場合は著しく性能が悪化する。これは、追加の全結合層が予測品質を向上させることを確認している。
• 大きな全結合層サイズでは過学習が発生し、MSEが上昇することで明らかになる。これは、モデルの複雑さが高くなると性能が低下することを示している。
• 小さなカーネルサイズ（例：3–5）は、非常に大きなまたは非常に小さなカーネルよりも良好な結果をもたらす傾向にあるが、他のハイパーパramータほど顕著な影響は示さない。
• 最小限のアーキテクチャ的複雑さで、40戸および350戸の両方の負荷プロファイルに対して信頼性の高い予測が得られる。これは、特に変動が激しい負荷プロファイルにおいて、シンプルさが鍵であることを示唆している。