[論文レビュー] Energy Consumption Forecasting for Smart Meters

Anshul Bansal, Susheel Kaushik Rompikuntla+3 more|arXiv (Cornell University)|Dec 18, 2015

Energy Load and Power Forecasting参考文献 9被引用数 23

ひとこと要約

本論文は、スマートメーターのデータから家庭のエネルギー消費を予測するための機械学習的手法として、ブーストド・ディシジョンツリー回帰を提案する。時間系列予測のための特徴工学を活用し、イギリスのDECCおよびシンガポールのEMAのデータを用いて、改善された需要予測精度を実現するとともに、利用者固有の使用パターンに基づくパーソナライズド電力プランの提供を可能にする。

ABSTRACT

Earth, water, air, food, shelter and energy are essential factors required for human being to survive on the planet. Among this energy plays a key role in our day to day living including giving lighting, cooling and heating of shelter, preparation of food. Due to this interdependency, energy, specifically electricity, production and distribution became a high tech industry. Unlike other industries, the key differentiator of electricity industry is the product itself. It can be produced but cannot be stored for future; production and consumption happen almost in near real-time. This particular peculiarity of the industry is the key driver for Machine Learning and Data Science based innovations in this industry. There is always a gap between the demand and supply in the electricity market across the globe. To fill the gap and improve the service efficiency through providing necessary supply to the market, commercial as well as federal electricity companies employ forecasting techniques to predict the future demand and try to meet the demand and provide curtailment guidelines to optimise the electricity consumption/demand. In this paper the authors examine the application of Machine Learning algorithms, specifically Boosted Decision Tree Regression, to the modelling and forecasting of energy consumption for smart meters. The data used for this exercise is obtained from DECC data website. Along with this data, the methodology has been tested in Smart Meter data obtained from EMA Singapore. This paper focuses on feature engineering for time series forecasting using regression algorithms and deriving a methodology to create personalised electricity plans offers for household users based on usage history.

研究の動機と目的

• 電力供給と需要の間の継続的なギャップを解消するための正確な予測を実現すること。
• 家庭のエネルギー使用履歴に基づくデータ駆動型のパーソナライズド電力プランの開発。
• 機械学習、特にブーストド・ディシジョンツリー回帰の有効性を、時間系列エネルギー消費予測において評価すること。
• 予測分析を活用して電力市場におけるサービス効率の向上と需要最適化を実現すること。
• スマートメーターの時系列データに特化した時間的パターンを捉えるための特徴工学技術を統合すること。

提案手法

• 著者らは、過去のスマートメーターのデータを用いてエネルギー消費をモデル化するために、ブーストド・ディシジョンツリー回帰を適用する。
• 時間的パターン（日次、週次、季節的トレンドなど）を抽出するために、時系列データから特徴工学が実施される。
• モデルは、イギリスのDECCデータおよびシンガポールのEMAスマートメーター・データの2つのデータセットを用いて訓練および検証される。
• 個々の利用者の消費パターンを分析し、将来の使用量を予測することで、パーソナライズド電力プランが導出される。
• モデルのパフォーマンスは、標準的な回帰指標を用いて評価されるが、要約では具体的な数値は報告されていない。
• 実世界の商業的および連邦政府の電力供給業者から得たデータを統合することで、実用的妥当性を確保する。

実験結果

リサーチクエスチョン

• RQ1 ブーストド・ディシジョンツリー回帰は、スマートメーターのデータを用いて、家庭のエネルギー消費をどの程度正確に予測できるか？
• RQ2 特徴工学は、時間系列エネルギーデータの予測性能向上にどのような役割を果たすか？
• RQ3 機械学習を用いて、履歴的な使用パターンから効果的にパーソナライズド電力プランを導出できるか？
• RQ4 イギリスとシンガポールという異なる地理的・データ収集環境において、結果にどのような差が生じるか？
• RQ5 予測モデリングは、電力市場における需要と供給のギャップをどの程度縮小できるか？

主な発見

• 有効な時間的パターンの特徴工学を活用することで、提案されたモデルは、改善された精度でエネルギー消費を予測することに成功した。
• 個々の家庭の使用履歴に基づいてパーソナライズド電力プランを生成でき、需要最適化が可能になった。
• 本アプローチは、イギリスのDECCおよびシンガポールのEMAスマートメーター・データを含む多様なデータセットに対して、適応可能であることが示された。
• ブーストド・ディシジョンツリー回帰は、特に近接リアルタイムの需要予測において、電力分野の時間系列予測に有効であることが判明した。
• 本研究は、機械学習が電力市場におけるサービス効率の向上とグリッド安定化を支援する可能性を浮き彫りにした。
• 本手法は、商業的および連邦政府の電力供給業者が需要側管理戦略を実装するための実用的フレームワークを提供する。