[論文レビュー] Online Hierarchical Forecasting for Power Consumption Data

Margaux Brégère, Malo Huard|arXiv (Cornell University)|Mar 1, 2020

Energy Load and Power Forecasting参考文献 34被引用数 20

ひとこと要約

本稿では、電力消費データのための新しいオンライン階層的予測フレームワークを提案する。一般化線形加法モデルまたはランダムフォレストを用いた特徴量生成、ML-Polを用いたアンサンブル集約、および階層的レベル間の合計整合性を保証するための制約付き部分空間への射影を統合している。この手法は最先端の性能を達成し、英国のスマートメーターデータにおいて、ベンチマークと比較して、全体の消費予測誤差を最大17.5%まで低減する『集約および射影』戦略を実現した。

ABSTRACT

We study the forecasting of the power consumptions of a population of households and of subpopulations thereof. These subpopulations are built according to location, to exogenous information and/or to profiles we determined from historical households consumption time series. Thus, we aim to forecast the electricity consumption time series at several levels of households aggregation. These time series are linked through some summation constraints which induce a hierarchy. Our approach consists in three steps: feature generation, aggregation and projection. Firstly (feature generation step), we build, for each considering group for households, a benchmark forecast (called features), using random forests or generalized additive models. Secondly (aggregation step), aggregation algorithms, run in parallel, aggregate these forecasts and provide new predictions. Finally (projection step), we use the summation constraints induced by the time series underlying hierarchy to re-conciliate the forecasts by projecting them in a well-chosen linear subspace. We provide some theoretical guaranties on the average prediction error of this methodology, through the minimization of a quantity called regret. We also test our approach on households power consumption data collected in Great Britain by multiple energy providers in the Energy Demand Research Project context. We build and compare various population segmentations for the evaluation of our approach performance.

研究の動機と目的

• 複数の集約レベル（例：全国、地域、消費者プロファイル）における電力需要予測の精度を、階層的時系列制約を用いて向上させること。
• 各レベルで独立してモデル化することによる階層的レベル間の予測の不整合という課題に対処すること。
• 階層的構造とアンサンブル学習を活用して予測精度を向上させる、堅牢なオンライン予測フレームワークの開発。
• 異なる世帯セグメンテーション戦略（地理的、プロファイルベース、ランダム）が予測性能に与える影響の評価。

提案手法

• 特徴量生成：一般化線形加法モデルまたはランダムフォレストを用いて、各グループ（例：地域、プロファイル）のベンチマーク予測を生成する。
• 集約：オンラインアンサンブル手法（例：ML-Polアルゴリズム）を用いて、グループ間の予測を組み合わせ、重み付き組み合わせによるレジット最小化を実現する。
• 射影：直交射影を用いて、合計制約で定義される部分空間に集約された予測を射影することで、階層的一致性を強制する。
• フレームワークは3段階の順次処理で構成される：(1) 特徴量生成、(2) 集約、(3) 射影、理論的にレジット最小化が保証される。
• 新しいデータが到着するたびに段階的に更新可能なオンライン学習を想定した設計である。
• 階層的構造は行列 K を用いて符号化され、K·yt = 0 を満たすことで、上位レベルの予測が下位レベルの合計と整合することを保証する。

実験結果

リサーチクエスチョン

• RQ1 アンサンブル集約と射影ベースの再調整を組み合わせることで、階層的電力消費データにおける予測精度がどのように向上するか？
• RQ2 異なる世帯セグメンテーション戦略（例：地域、Acorn、NMF、ランダムクラスタリング）が予測性能に与える影響は何か？
• RQ3 提案手法は、ボトムアップ、トップダウン、または単独のベンチマーク予測と比較して優れているか？
• RQ4 セグメンテーションにおけるクラスタ数の増加に対して、この手法はどれほど頑健か？
• RQ5 提案されたオンライン階層的予測フレームワークに対して、理論的レジットバウンドを確立できるか？

主な発見

• 『集約および射影』戦略は、すべてのセグメンテーションにおいて他の手法を常に上回り、全セグメンテーションで最も低い全体消費予測誤差を達成した。
• 『地域 + NMF(16)』のセグメンテーション設定が最良のパフォーマンスを示し、全体消費の平均二乗誤差を170.3 ± 8.5 kWh²まで低減した。これはベンチマーク比17.5%の改善である。
• 地域クラスタに基づくボトムアップ予測は、ベンチマークを大きく上回り、誤差を205.8 ± 9.3 kWh²から189.9 ± 8.3 kWh²まで低減した。
• 集約と射影は、クラスタ数の増加に対しても頑健である：64クラスタまで性能は安定またはわずかに向上し、顕著な劣化は認めなかった。
• 世帯プロファイル（例：Acorn、Fuel+Tariff）に基づくセグメンテーションはランダムクラスタリングと同程度の性能を示し、本研究の文脈ではこれらの特徴量に予測的価値は限定的であることが示された。
• 射影ステップ単体でも地域を含めた場合に予測が改善されたが、『集約＋射影』の完全な戦略が、特に複雑な階層構造において最も顕著な向上をもたらした。