[論文レビュー] Energy Forecasting in Smart Grid Systems: A Review of the State-of-the-art Techniques

Devinder Kaur, Shama Naz Islam+3 more|arXiv (Cornell University)|Nov 25, 2020

Energy Load and Power Forecasting参考文献 110被引用数 17

ひとこと要約

本稿はスマートグリッドにおける最新のエネルギー予測技術をレビューし、不確実性の定量化に確率的ディープラーニング（PDL）を強調している。ベイジアン双方向LSTM（BLSTM）ネットワークが、計算時間の増加を伴うが、精度と不確実性推定の両面で従来手法を上回ることを示している。

ABSTRACT

Energy forecasting has a vital role to play in smart grid (SG) systems involving various applications such as demand-side management, load shedding, and optimum dispatch. Managing efficient forecasting while ensuring the least possible prediction error is one of the main challenges posed in the grid today, considering the uncertainty and granularity in SG data. This paper presents a comprehensive and application-oriented review of state-of-the-art forecasting methods for SG systems along with recent developments in probabilistic deep learning (PDL) considering different models and architectures. Traditional point forecasting methods including statistical, machine learning (ML), and deep learning (DL) are extensively investigated in terms of their applicability to energy forecasting. In addition, the significance of hybrid and data pre-processing techniques to support forecasting performance is also studied. A comparative case study using the Victorian electricity consumption and American electric power (AEP) datasets is conducted to analyze the performance of point and probabilistic forecasting methods. The analysis demonstrates higher accuracy of the long-short term memory (LSTM) models with appropriate hyper-parameter tuning among point forecasting methods especially when sample sizes are larger and involve nonlinear patterns with long sequences. Furthermore, Bayesian bidirectional LSTM (BLSTM) as a probabilistic method exhibit the highest accuracy in terms of least pinball score and root mean square error (RMSE).

研究の動機と目的

• スマートグリッドシステムにおける古典的および先進的なエネルギー予測手法の包括的レビューを提供すること。
• エネルギーデータにおける不確実性を扱う確率的ディープラーニング（PDL）の有効性を調査すること。
• 予測精度と計算効率の観点から、決定的ディープラーニング、統計的および機械学習手法を比較すること。
• 次元削減や特徴抽出などのデータ前処理技術が予測性能に与える影響を評価すること。
• 確率的予測モデルにおける計算コストと予測精度のトレードオフを特定すること。

提案手法

• 本研究は、従来の統計的手法（例：ARIMA）、機械学習（例：SVR）、ディープラーニング（例：RNN、LSTM）を用いてエネルギー予測を評価する。
• 確率的ディープラーニングは、ベイジアンニューラルネットワーク（BNN）およびベイジアンBLSTMを用いて予測不確実性を定量化する。
• ハイパーパramータチューニングと活性化関数の選択を適用し、ディープラーニングモデルのパフォーマンスを最適化する。
• 対数変換、主成分分析（PCA）、オートエンコーダーなどのデータ前処理技術を用いて次元削減とモデル入力品質の向上を図る。
• 予測性能を評価するためにビクトリア州の電力消費データおよびアメリカンエレクトリックパワー（AEP）データセットを用いた比較事例研究を実施する。
• 予測区間（PIs）はベイジアンBLSTMを用いて生成され、不確実性推定が可能となる。性能はピンバックスコアおよびウィンクラー指数を用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 決定的ディープラーニングモデルは、統計的および機械学習手法と比較して、エネルギー予測の精度においてどのように異なるか？
• RQ2 ベイジアンBLSTMのような確率的ディープラーニング手法は、エネルギー予測における不確実性定量化をどの程度向上できるか？
• RQ3 次元削減や特徴抽出などのデータ前処理技術が予測性能に与える影響は何か？
• RQ4 モデルの複雑さと計算コストのトレードオフは、確率的予測モデルの実用的導入にどのように影響するか？
• RQ5 どのような予測手法が、異なるデータ特性において最小の予測誤差と信頼性の高い予測区間を達成するか？

主な発見

• 適切なハイパーパramータチューニングを施したLSTMを含むディープラーニングモデルは、ビクトリア州およびAEPの両データセットで最小の予測誤差を達成した。
• ベイジアンBLSTMは、すべての他の手法よりも確率的予測において優れており、ピンバックスコアおよびウィンクラー指数が最小であり、優れた精度と不確実性定量化を示している。
• ベイジアンBLSTMが生成した予測区間（PIs）は、変動が大きいビクトリア州データに対して、より広がったものとなり、正確な不確実性モデリングを反映している。
• 特にベイジアンBLSTMを含む確率的ディープラーニング手法の実行時間は、決定的手法よりも顕著に長く、精度と計算コストのトレードオフが顕著に現れている。
• 非線形パターンを示す大規模なデータセットでは、適切にチューニングされたディープラーニング手法が、従来の統計的および機械学習モデルを一貫して上回った。
• 対数変換は、非定常的で変動が大きいデータセット（例：ビクトリア州のエネルギー消費データ）においてモデルのパフォーマンスを向上させた。