[論文レビュー] Local Short Term Electricity Load Forecasting: Automatic Approaches

The-Hien Dang-Ha, Filippo Maria Bianchi+1 more|arXiv (Cornell University)|Feb 26, 2017

Energy Load and Power Forecasting参考文献 17被引用数 6

ひとこと要約

本論文は、5つのモデルを用いて、自動的かつスケーラブルなアプローチで局所的な短期電力需要予測を提案している。修正された二重季節的Holt-Winters（modDSHW）モデルは、3か月間の訓練データのみを用いて、低集約度の需要データにおいて優れた性能を示した。本研究では、非常に局所的な需要においては年間パターンや気温が重要でないことが示された。これにより、modDSHWは、スマートグリッドのスケールアップに向けた、低データ量でも安定したソリューションであることが明らかになった。

ABSTRACT

Short-Term Load Forecasting (STLF) is a fundamental component in the efficient management of power systems, which has been studied intensively over the past 50 years. The emerging development of smart grid technologies is posing new challenges as well as opportunities to STLF. Load data, collected at higher geographical granularity and frequency through thousands of smart meters, allows us to build a more accurate local load forecasting model, which is essential for local optimization of power load through demand side management. With this paper, we show how several existing approaches for STLF are not applicable on local load forecasting, either because of long training time, unstable optimization process, or sensitivity to hyper-parameters. Accordingly, we select five models suitable for local STFL, which can be trained on different time-series with limited intervention from the user. The experiment, which consists of 40 time-series collected at different locations and aggregation levels, revealed that yearly pattern and temperature information are only useful for high aggregation level STLF. On local STLF task, the modified version of double seasonal Holt-Winter proposed in this paper performs relatively well with only 3 months of training data, compared to more complex methods.

研究の動機と目的

• スマートグリッドにおける数千の局所的電力需要時系列に対する短時間予測の自動化の課題に取り組む。
• 従来のモデルが局所的・低集約度の需要データに適用された場合に生じる限界（長時間の訓練、不安定な最適化、高次元のハイパーパrameter感度）を克服する。
• 人為的介入を最小限に抑え、多様な局所的需要特性に一般化可能なモデルを同定および開発する。
• 40の時系列（異なる集約レベルおよび地理的地域をカバー）を用いてモデルの性能を評価し、一般化性およびスケーラビリティを検証する。
• 長期間パターンおよび気温データが、局所的需要予測と高集約度需要予測において、それぞれどの程度寄与するかを特定する。

提案手法

• 自動化、安定性、および低ハイパーパrameter感度を基準に、avgARIMA、orgiDSHW、modDSHW、NARX-RF、TBATS、SemiParの5つのモデルを選定する。
• 季節成分の推定および初期化の調整により、安定性と性能を向上させる修正された二重季節的Holt-Winters（modDSHW）モデルを導入する。
• 複雑さを低減し、スパースなデータに対する耐性を高めるために、modDSHWでは長期的および年間成分を省略し、イントラ・ウィークおよびイントラ・デイの季節性のみを用いる。
• 米国およびノルウェーの40の需要時系列（2〜4年分のデータをカバー）を用いてモデルを訓練する。
• 24時間先予測の各時間軸において中央値MAPE（平均絶対誤差率）を標準化した評価手法を適用し、モデル性能を比較する。
• 特にスケーラブルな展開を想定し、1コアCPU時間測定を用いて訓練効率を評価する。

実験結果

リサーチクエスチョン

• RQ1 ハイパーパrameterの広範なチューニングを要せず、既存のSTLFモデルが局所的・低集約度の電力需要予測に効果的に適用可能かどうか。
• RQ2 歴史的データが限られている状況において、自動化されたモデルの性能が異なる集約レベルでどのように変化するか。
• RQ3 非常に局所的な需要時系列（数100kWh未満）において、長期間の季節的パターンおよび気温データが予測精度にどの程度寄与するか。
• RQ4 3か月分のデータでの訓練のみで、修正された二重季節的Holt-Wintersモデルが、より複雑なモデルを上回る性能を発揮できるか。
• RQ5 数千の局所的需要ポイントへの大規模展開を想定した場合、精度、自動化、訓練効率のバランスが最も優れたモデルは何か。

主な発見

• 修正された二重季節的Holt-Winters（modDSHW）モデルは、3か月間の訓練データのみで、低集約度設定においても優れた性能を発揮し、より複雑なモデルを上回った。
• 低集約度のHvalerデータセットにおいて、modDSHWは10時間予測以降においてSemiParを著しく上回ったが、気温や長期成分を一切使用していない。
• 非常に局所的な需要（数100kWh未満）において、気温および年間パターンは予測精度にわずかな寄与しか示さないため、こうしたケースではそれらが必ずしも重要ではない。
• NARX-RFモデルは、高集約度および低集約度の両データセットで一貫した良好な性能を示したが、他のモデルと比較して10倍以上の訓練時間がかかった。
• SemiParは高集約度データ（GEFCom2012）で最良の性能を示したが、これはすべての季節的パターンと気温効果をモデル化できるからである。しかし、ノイズが多く低集約度のデータ（Hvaler）では性能が著しく低下した。
• TBATSモデルは両データセットで性能が低く、特に低集約度データでは顕著に劣った。これは、分解アプローチが局所的需要信号には不適切であることを示唆している。