[論文レビュー] On particle filters applied to electricity load forecasting

Tristan Launay, Anne Philippe+1 more|arXiv (Cornell University)|Oct 2, 2012

Water Systems and Optimization参考文献 50被引用数 6

ひとこと要約

本稿では、非線形かつ非ガウス的な状態空間モデルにおけるオンライン電力需要予測のためのパーティクルフィルタベースの手法を提案する。外れ値に対するロバスト性を向上させるために追加のリサンプリングステップを導入し、欠損データの自動処理により祝日データに対しても耐性を発揮する。非正規の日付タイプにおいて平均3.34%のMAPEを達成し、より複雑な線形ガウスモデルに対しても競争力ある性能を示すが、ランダム効果の数は少ない。

ABSTRACT

We are interested in the online prediction of the electricity load, within the Bayesian framework of dynamic models. We offer a review of sequential Monte Carlo methods, and provide the calculations needed for the derivation of so-called particles filters. We also discuss the practical issues arising from their use, and some of the variants proposed in the literature to deal with them, giving detailed algorithms whenever possible for an easy implementation. We propose an additional step to help make basic particle filters more robust with regard to outlying observations. Finally we use such a particle filter to estimate a state-space model that includes exogenous variables in order to forecast the electricity load for the customers of the French electricity company Électricité de France and discuss the various results obtained.

研究の動機と目的

• 非線形的かつ非ガウス的な条件下でのオンライン電力需要予測に適した、ロバストで逐次的なモンテカルロ手法の開発。
• 粒子劣化や外れ値への感受性といったパーティクルフィルタの実用的課題を、アルゴリズム的改善によって解決。
• 気温や暦的要因（例：週末、祝日）といった外生変数を組み込んだ、フランスの電力需要を対象とした簡素化された非線形動的モデルの提案と推定。
• パーティクルフィルタベースのモデルと、複雑な線形ガウス状態空間モデル（カルマンフィルタを用いる）の間で、予測精度とロバスト性の観点から性能を比較。
• 手動設定が不要な形で祝日の欠損データを自動的に処理することで、モデルの信頼性を向上。

提案手法

• 本稿では、状態空間モデルにおける隠れ状態の後立確率分布を近似するために、逐次的マルコフモンテカルロ（SMC）法、特にパーティクルフィルタを採用する。
• 重要度サンプリングとリサンプリングを用いて、状態遷移密度と観測密度に基づき、時間的に粒子を伝搬させる基本的なパーティクルフィルタアルゴリズムを導出する。
• 外れ値観測に対してロバスト性を向上させるために、尤度と整合性のない粒子を低重み化する追加のリサンプリングステップを導入する。
• 電力需要のダイナミクスを捉えるために、気温や暦特有の日付タイプ（例：土日、祝日）といった外生変数をモデルに組み込む。
• 状態遷移密度と観測密度は非線形関数を用いて定義され、暖房・冷房効果の柔軟なモデリングを可能にする。
• アルゴリズムは祝日を自動的に欠損データとして処理し、手動による設定なしにモデルの中断を回避する。

実験結果

リサーチクエスチョン

• RQ1 非線形的かつ非ガウス的動的モデルにおけるオンライン電力需要予測に、パーティクルフィルタを効果的に適用する方法は何か？
• RQ2 標準パーティクルフィルタにどのような改良を加えることで、需要データにおける外れ値観測への感受性を低減できるか？
• RQ3 パーティクルフィルタを用いた簡素化された非線形状態空間モデルの性能は、カルマンフィルタを用いた複雑な線形ガウスモデルと比べてどうか？
• RQ4 祝日などの欠損データを、手動でのデータ宣言なしにパーティクルフィルタフレームワーク内で自動的に処理できるか？
• RQ5 夏期休暇などのデータ整合性が低い時期において、誤差分散（$\sigma_{s,n}$, $\sigma_{g,n}$）のようなモデルパラメータはどのように変化するか？

主な発見

• 追加のロバスト性ステップを備えた提案手法パーティクルフィルタは、外れ値への感受性が低く、需要予測の安定性が向上する。
• 非正規の日付タイプにおいて、平均予測MAPEは3.34%を達成し、この分類においてはより複雑な線形ガウスモデルを上回る性能を示す。
• モデルの誤差分散（$\sigma_{s,n}$ および $\sigma_{g,n}$）は、夏期休暇期に増加し、データの整合性の欠如と暖房関連の気温信号の欠如を反映している。
• パーティクルフィルタは祝日を自動的に欠損データとして処理し、ベンチマークモデルで必須であった手動のデータ宣言を不要にする。
• 提案モデルにおける暖房勾配の挙動は、Dordonnatら（2008）の報告と一致しており、モデルの物理的妥当性が裏付けられる。
• ベンチマークモデルに比べてランダム効果を10個のみ使用しているにもかかわらず、非正規日においても競争力ある予測精度を維持している。