[論文レビュー] Household Electricity Demand Forecasting -- Benchmarking State-of-the-Art Methods

Andreas Veit, Christoph Goebel+3 more|arXiv (Cornell University)|Apr 1, 2014

Energy Load and Power Forecasting被引用数 16

ひとこと要約

本論文は、2つの高分解能データセットを用いて、家庭の電力需要予測において、ARIMA、指数平滑法、ニューラルネットワークといった最先端の予測手法をベンチマークした。15分から24時間の時間枠において、スライディングウインドウや日付タイプのグループ化といった戦略を評価した。高度な手法にもかかわらず、パーゼンテージ誤差（MAPE）は5%から100%以上にまで達するなど、自己回帰予測（persistance forecast）がしばしばそれらを上回る結果となり、短期的な家庭用負荷予測分野における大幅な改善余地が浮き彫りになった。

ABSTRACT

The increasing use of renewable energy sources with variable output, such as solar photovoltaic and wind power generation, calls for Smart Grids that effectively manage flexible loads and energy storage. The ability to forecast consumption at different locations in distribution systems will be a key capability of Smart Grids. The goal of this paper is to benchmark state-of-the-art methods for forecasting electricity demand on the household level across different granularities and time scales in an explorative way, thereby revealing potential shortcomings and find promising directions for future research in this area. We apply a number of forecasting methods including ARIMA, neural networks, and exponential smoothening using several strategies for training data selection, in particular day type and sliding window based strategies. We consider forecasting horizons ranging between 15 minutes and 24 hours. Our evaluation is based on two data sets containing the power usage of individual appliances at second time granularity collected over the course of several months. The results indicate that forecasting accuracy varies significantly depending on the choice of forecasting methods/strategy and the parameter configuration. Measured by the Mean Absolute Percentage Error (MAPE), the considered state-of-the-art forecasting methods rarely beat corresponding persistence forecasts. Overall, we observed MAPEs in the range between 5 and >100%. The average MAPE for the first data set was ~30%, while it was ~85% for the other data set. These results show big room for improvement. Based on the identified trends and experiences from our experiments, we contribute a detailed discussion of promising future research.

研究の動機と目的

• 異なる時間分解能と予測期間において、短期的な家庭用電力需要を予測する最先端の手法を評価・比較すること。
• 実際の家庭消費データに応用した際の、既存の予測手法における性能ボトルネックを同定すること。
• アプライアンスレベルの分解能データや、日付タイプのグループ化といった特化型トレーニング戦略が、予測精度を向上させるかどうかを検討すること。
• 個々の家庭特有のパターンに最適化されていないARIMA やニューラルネットワークといった高度なモデルが、家庭用負荷予測においてどれほど優れた性能を発揮するかを評価すること。
• 今後の研究を導くために、イベントベースモデリングやセンサーフュージョンといった有望な方向性を特定すること。

提案手法

• 秒分解像の家庭電力データに対して、単変量時系列予測手法（ARIMA、指数平滑法、フィードフォワードニューラルネットワーク）を適用した。
• 3つのトレーニングデータ選択戦略（スライディングウインドウ、日付タイプ（平日／週末など）、階層的日付タイプ（平日朝、夕方など））を評価した。
• 予測精度の比較に、主に平均絶対誤差率（MAPE）を用い、時間分解能（15分から60分）および予測期間（15分から24時間）を含めた。
• 2つの実世界のデータセット（ミュンヘン工科大学（TUM）とMITのもの）を用い、両者とも高分解能のアプライアンスレベル電力測定値を有していた。
• 占有状況、温度、明るさセンサーからの特徴工学と、オン／オフ遷移のイベント検出を含む、データ前処理の影響を調査した。
• 連続的なワット数ではなく、離散的な家電機器のイベントから消費パターンを予測するためのマーカフモデルを用いたイベントベースモデリングの可能性を検討した。

実験結果

リサーチクエスチョン

• RQ1 ARIMA、指数平滑法、ニューラルネットワークは、異なる時間分解能と予測期間において、家庭の電力需要予測でどのように比較されるか？
• RQ2 一般的なスライディングウインドウ手法と比較して、日付タイプごとにトレーニングデータを分割することで、予測精度が向上するか？
• RQ3 集計された家庭レベルのデータと比較して、アプライアンスレベルの分解能データは、より高い予測精度をもたらすか？
• RQ4 短期的な家庭用負荷予測において、高度なモデルは単純な自己回帰予測をどの程度上回るのか？
• RQ5 追加の文脈的情報（例：占有状況、温度）およびイベント検出は、予測性能の向上にどのような役割を果たすか？

主な発見

• 自己回帰予測が、安定的かつ長期間にわたる消費パターンを示す家庭では、多くの場合、高度な手法を上回る性能を示した。
• TUMデータセットの平均MAPEは約30%であったのに対し、MITデータセットでは平均MAPEが85%に達し、家庭ごとの予測可能性のばらつきが顕著に表れた。
• 予測精度は大きくばらついており、家庭、手法、設定によってMAPEは5%から100%以上にまで変動した。
• 日付タイプごとにトレーニングデータを分割することで、ほとんどの予測手法において性能が著しく向上した。これは、時間的パターンのセグメンテーションが予測精度を向上させることを示唆している。
• アプライアンスレベルの分解能データを用いることで、集計された家庭レベルのデータよりも高い予測精度が得られた。特に、オン／オフの周期が明確な機器では顕著に改善が見られた。
• 今後の改善は、連続的な電力値に依存するのではなく、文脈的情報（例：占有状況、温度）の統合や、離散的イベント（例：家電のスイッチング）のモデリングによって得られる可能性が高く、これにより予測精度が向上すると考えられる。