[論文レビュー] Experimental Investigation of Variational Mode Decomposition and Deep Learning for Short-Term Multi-horizon Residential Electric Load Forecasting

Mohamed Aymane Ahajjam, Daniel Bonilla Licea+2 more|arXiv (Cornell University)|Feb 1, 2022

Energy Load and Power Forecasting被引用数 5

ひとこと要約

本稿では、変動モード分解（VMD）を用いて住宅用負荷データを分解し、4段階のウェーブレット分解ネットワーク（mWDN）を用いて複数時間スケールの電力消費を予測するハイブリッドVMD-mWDNモデルを提案する。この手法は、最適な性能をK=127のVMD分解レベルおよびI=4のmWDNレベルで示し、モロッコの家庭データにおいて最先端のモデルやベースラインの恒常的予測法を上回る優れた精度を達成した。

ABSTRACT

With the booming growth of advanced digital technologies, it has become possible for users as well as distributors of energy to obtain detailed and timely information about the electricity consumption of households. These technologies can also be used to forecast the household's electricity consumption (a.k.a. the load). In this paper, we investigate the use of Variational Mode Decomposition and deep learning techniques to improve the accuracy of the load forecasting problem. Although this problem has been studied in the literature, selecting an appropriate decomposition level and a deep learning technique providing better forecasting performance have garnered comparatively less attention. This study bridges this gap by studying the effect of six decomposition levels and five distinct deep learning networks. The raw load profiles are first decomposed into intrinsic mode functions using the Variational Mode Decomposition in order to mitigate their non-stationary aspect. Then, day, hour, and past electricity consumption data are fed as a three-dimensional input sequence to a four-level Wavelet Decomposition Network model. Finally, the forecast sequences related to the different intrinsic mode functions are combined to form the aggregate forecast sequence. The proposed method was assessed using load profiles of five Moroccan households from the Moroccan buildings' electricity consumption dataset (MORED) and was benchmarked against state-of-the-art time-series models and a baseline persistence model.

研究の動機と目的

• 外部変数を用いない状況下で、信号分解とディープラーニングを組み合わせることで、短期的な複数時間スケールの住宅用電力負荷予測の精度を向上させること。
• 外部変数が利用できない状況下で、VMDの分解レベルを変化させた場合の予測性能への影響を調査すること。
• 負荷予測に適した複数のディープラーニングアーキテクチャ、特に新規のmWDNモデルを評価・ベンチマークすること。
• 実世界のモロッコの家庭データを用いて、提案されたハイブリッド手法を最先端の時系列モデルおよび恒常的予測ベースラインと比較して評価すること。
• 住宅用スマートグリッドにおけるオンライン負荷予測に実用的で、計算的に実行可能なフレームワークを提供すること。

提案手法

• 非定常性を低減するために、生の住宅用負荷プロファイルを変動モード分解（VMD）を用いて固有モード関数（IMF）に分解する。
• 分解されたIMFを、3次元入力シーケンス（日、時刻、過去の消費量）として、4段階のウェーブレット分解ネットワーク（mWDN）に供給し、複数スケールのパターン抽出を実施する。
• mWDNモデルは、各IMFに対してウェーブレットベースの分解を実行し、複数スケールにわたる階層的な時系列特徴を捉える。
• 個々のIMFからの予測シーケンスを再結合して、最終的な集約負荷予測を形成する。
• 本手法は、外部変数（気温など）を一切使用しないで、MOREDデータセットに含まれる5つの多様なモロッコの家庭のデータを用いて訓練および評価された。
• 性能は、歴史的平均、恒常的予測モデル、および最先端のディープラーニングモデルと、同一条件でベンチマークされた。

実験結果

リサーチクエスチョン

• RQ1 外部変数が利用できない状況下で、住宅用負荷プロファイルの予測精度を最大化する最適なVMD分解レベル（K）は何か？
• RQ2 提案されたVMD-mWDNハイブリッドモデルは、単独のVMD、単独のmWDN、および他の最先端モデルと比較して、性能でどのように差をつけるか？
• RQ3 VMDとmWDNの統合は、異なる家庭タイプや消費パターンにおいて、予測精度を向上させるか？
• RQ4 分解レベルKの変化が、複数の家庭および複数のシナリオにおいて、提案モデルの予測性能にどのように影響を与えるか？
• RQ5 本手法は、リアルタイムで実装可能であり、オンライン住宅用負荷予測に耐えうる計算コストの負荷を伴うか？

主な発見

• 提案されたVMD-mWDNモデルは、評価されたすべてのモデルの中で予測精度が最も高く、恒常的予測ベースラインおよび最先端のモデルを顕著に上回った。
• K=127のVMD分解レベルが、5つのすべてのモロッコの家庭およびテストされたすべてのディープラーニングアーキテクチャにおいて、一貫して最高の予測性能を示した。
• VMDの統合による性能向上は顕著であり、VMD-mWDNハイブリッドモデルは、単独のVMDおよび単独のmWDNモデルをすべて上回った。
• 分解レベルKの影響は非線形的であり、K≥8で性能向上が顕著に現れ、最適な増益はK=127で観察された。
• 4段階（I=4）のmWDNモデルが、分解された負荷シーケンスにおける複数スケールパターン学習のための最良の特徴抽出能力を有していた。
• 本システムは、リアルタイムでの実装に計算的に実行可能であり、30分間の予測サイクルが、VMD分解、前処理、および低コストハードウェア上での推論に十分な時間を提供した。