[論文レビュー] Machine Learning Approaches to Energy Consumption Forecasting in Households

Riccardo Bonetto, Michele Rossi|arXiv (Cornell University)|Jun 29, 2017

Energy Load and Power Forecasting参考文献 15被引用数 25

ひとこと要約

本稿では、SVM、NAR、LSTMニューラルネットワークといった機械学習手法を、多段階先の家庭用エネルギー消費予測に対してARMAと比較評価している。並列学習フレームワークと実際の電力需要データを用いて、すべての機械学習手法がARMAを上回ることは確認されたが、どのモデルも全予測期間にわたって優れた性能を発揮するわけではない。したがって、短時間予測（40分以内）にはNAR、長時間予測にはSVMを組み合わせたハイブリッド手法が、最適な精度と低い不確実性を実現するための最良の選択であると提言される。

ABSTRACT

We consider the problem of power demand forecasting in residential micro-grids. Several approaches using ARMA models, support vector machines, and recurrent neural networks that perform one-step ahead predictions have been proposed in the literature. Here, we extend them to perform multi-step ahead forecasting and we compare their performance. Toward this end, we implement a parallel and efficient training framework, using power demand traces from real deployments to gauge the accuracy of the considered techniques. Our results indicate that machine learning schemes achieve smaller prediction errors in the mean and the variance with respect to ARMA, but there is no clear algorithm of choice among them. Pros and cons of these approaches are discussed and the solution of choice is found to depend on the specific use case requirements. A hybrid approach, that is driven by the prediction interval, the target error, and its uncertainty, is then recommended.

研究の動機と目的

• 現代の機械学習モデルの多段階先エネルギー消費予測性能を、従来のARMAと比較評価すること。
• 実用的で効率的な並列学習フレームワークを設計・実装し、市販のハードウェアでも実装可能であることを確立すること。
• 予測精度と誤差分散の観点から、SVM、NAR、LSTMモデルの短所・長所を、さまざまな時間予測期間において特定すること。
• 予測区間、目標誤差、不確実性に基づいたハイブリッド予測戦略を提言すること。

提案手法

• 計算時間を短縮するために並列学習フレームワークを実装し、SVM、NAR、LSTMモデルの各予測ステップhを独立して学習する。
• SVMでは、h個の別々のモデルを並列に学習し、各モデルが1つの将来時刻の予測を行う。予測誤差を制限するためにε-非感受性損失関数を用いる。
• NARネットワークは、30分間の入力ウィンドウと50個の隠れ記憶セルを備えた再帰的構造を採用し、過去の時系列に基づいて将来の値を予測するように学習する。
• LSTMモデルはADAGRAD最適化法を用い、30分間の入力ウィンドウと1つの線形出力ニューロンを持つ。長期的な時系列依存性をモデル化することを目的としている。
• すべてのモデルは、実際の導入事例から得た家庭用電力需要トレースデータを用いて学習・評価しており、実用的妥当性を確保している。
• 性能評価は、複数の予測期間（h = 1～120分）における平均絶対誤差（MAE）と誤差分散を用いて行う。

実験結果

リサーチクエスチョン

• RQ1 SVM、NAR、LSTMモデルは、平均絶対誤差と誤差分散の観点から、ARMAと比較して多段階先のエネルギー消費予測において、どのように異なるか？
• RQ2 多段階予測において、h個の別個モデルを学習する（SVM）のと、1つの再帰的モデルを学習する（NAR、LSTM）のとで、計算コストと精度のトレードオフはどのようなものか？
• RQ3 短時間予測（≤40分）と長時間予測（≥60分）の両方の期間において、最も正確で安定した予測を提供するのはどのモデルか？
• RQ4 異なるモデルの長所を組み合わせたハイブリッド予測アプローチは、全体の予測性能を向上させることができるか？

主な発見

• SVM、NAR、LSTMのすべての機械学習モデルが、全予測期間においてARMAベースラインを下回る平均絶対誤差を達成した。
• NARは短時間予測（40分以内）において最も高い予測精度を示し、最初の30分間で最小の誤差を記録した。
• SVMは長時間予測（60分を超える）において、他のすべてのモデルを上回り、最小の平均絶対誤差と、h = 60分付近で最小の誤差分散を達成した。
• LSTMは全予測期間において最小の誤差分散を示し、わずかに精度が劣るものの、予測性能が最も一貫していた。
• ARMAとNARの誤差分散は、SVMとLSTMよりも速やかに増加しており、長期予測における不確実性がより高いことが示された。
• 短時間予測（40分以内）にはNAR、長時間予測にはSVMを用いるハイブリッド予測戦略が、精度と不確実性のバランスを最適化するための推奨手法である。