[論文レビュー] Hour-Ahead Load Forecasting Using AMI Data

Sarwan Ali, Haris Mansoor+4 more|arXiv (Cornell University)|Dec 28, 2019

Energy Load and Power Forecasting被引用数 2

ひとこと要約

本稿では、人口統計的または行動的データを必要とせず、スマートメーターおよび天候データのみを用いて、個々の家庭レベルにおける1時間先の負荷予測を実現する新規手法である行列分解を用いた予測（FMF）を提案する。FMFは最先端手法を著しく上回り、回帰木に対して最大26.5%低いRMSE、LSTMネットワークに対して最大73.2%低いMAPEを達成する。

ABSTRACT

Accurate short-term load forecasting is essential for efficient operation of the power sector. Predicting load at a fine granularity such as individual households or buildings is challenging due to higher volatility and uncertainty in the load. In aggregate loads such as at grids level, the inherent stochasticity and fluctuations are averaged-out, the problem becomes substantially easier. We propose an approach for short-term load forecasting at individual consumers (households) level, called Forecasting using Matrix Factorization (FMF). FMF does not use any consumers' demographic or activity patterns information. Therefore, it can be applied to any locality with the readily available smart meters and weather data. We perform extensive experiments on three benchmark datasets and demonstrate that FMF significantly outperforms the computationally expensive state-of-the-art methods for this problem. We achieve up to 26.5% and 24.4 % improvement in RMSE over Regression Tree and Support Vector Machine, respectively and up to 36% and 73.2% improvement in MAPE over Random Forest and Long Short-Term Memory neural network, respectively.

研究の動機と目的

• 負荷の変動性と不確実性が著しい個々の家庭レベルにおける高精度な短期負荷予測の課題に対処すること。
• 人口統計的または行動パターンデータに依存しない手法を開発し、多様な地域に広く適用可能であることを保証すること。
• 容易に入手可能なスマートメーターおよび天候データを活用して、家庭レベルの予測精度を向上させること。
• RMSEおよびMAPEの両指標において、計算コストの高い最先端手法を上回ること。

提案手法

• FMFは、家庭負荷データの時間的・空間的パターンをモデル化するために行列分解を用い、負荷行列を低ランク成分に分解する。
• 本手法は、疎なまたはノイズの多いデータでも、家庭間および時間的側面の潜在的相関を捉える協調フィルタリングアプローチを採用する。
• 天候データを外部共変量として統合し、時間的予測精度を向上させる。
• 本モデルは、追加の消費者固有メタデータを必要とせず、歴史的なスマートメーター記録および天候観測データ上でエンドツーエンドに訓練される。
• 正則化された目的関数を用いて、適合精度と一般化性能のバランスを最適化することで、RMSEおよびMAPEの両方を最適化する。
• 本アプローチは計算的に効率的であり、大規模なスケールでリアルタイムまたは準リアルタイムの予測を可能にする。

実験結果

リサーチクエスチョン

• RQ1 人口統計的または行動的データに依存せずに、行列分解が細分化された家庭負荷パターンを効果的にモデル化できるか？
• RQ2 回帰木、SVM、ランダムフォレスト、LSTMネットワークといった最先端手法と比較して、FMFの予測精度はどの程度高いか？
• RQ3 FMFフレームワークにおいて天候データを統合することで、予測性能がどの程度向上するか？
• RQ4 FMFは、家庭負荷特性が異なる多様なデータセットに対してもスケーラブルかつロバストか？

主な発見

• FMFはベンチマークデータセットにおいて、回帰木モデル比で最大26.5%低いRMSEを達成する。
• FMFはサポートベクターマシンのベースライン比で、RMSEを最大24.4%低減する。
• FMFはランダムフォレストモデル比でMAPEで36%の改善を達成する。
• FMFは長短期記憶（LSTM）ニューラルネットワーク比でMAPEで73.2%の改善を達成する。
• 本手法は、すべての3つのベンチマークデータセットにおいて、一貫してすべてのベースラインを上回り、ロバスト性と一般化性能を示す。
• 人口統計的または行動データの欠如が性能に悪影響を及えないことから、本手法の広範な適用可能性が確認される。