[論文レビュー] Power Market Price Forecasting via Deep Learning

Yongli Zhu, Songtao Lu+3 more|arXiv (Cornell University)|Sep 18, 2018

Energy Load and Power Forecasting被引用数 4

ひとこと要約

本論文では、ニューヨーク・イースタンおよびPJM市場における1日先電力市場価格を予測するため、長短期記憶（LSTM）ネットワークを用いたディープラーニング手法を提案する。単位スケーリング前処理を施した時間分解能1時間の価格データで学習されたLSTMモデルは、入力長、予測期間、データサイズの変動にかかわらず、既存手法を上回る性能を示し、電力市場価格予測における優れた予測精度を実証している。

ABSTRACT

A study on power market price forecasting by deep learning is presented. As one of the most successful deep learning frameworks, the LSTM (Long short-term memory) neural network is utilized. The hourly prices data from the New England and PJM day-ahead markets are used in this study. First, a LSTM network is formulated and trained. Then the raw input and output data are preprocessed by unit scaling, and the trained network is tested on the real price data under different input lengths, forecasting horizons and data sizes. Its performance is also compared with other existing methods. The forecasted results demonstrate that, the LSTM deep neural network can outperform the others under different application settings in this problem.

研究の動機と目的

• 正確な1日先電力市場価格予測のためのディープラーニングフレームワークの構築を目的とする。
• 主な米国市場からの実際の電力価格データを用いて、LSTMネットワークの性能を評価することを目的とする。
• さまざまな入力および予測期間設定下でのLSTMモデルの予測精度を、既存手法と比較することを目的とする。
• データ前処理、入力長、および学習データサイズがモデル性能に与える影響を評価することを目的とする。

提案手法

• ニューヨーク・イースタンおよびPJMの1日先市場から得た時間分解能1時間の電力価格データを用いて、長短期記憶（LSTM）再帰的ニューラルネットワークを定式化し、学習を行う。
• 入力および出力データの生データは、特徴空間の正規化と学習安定性の向上を目的として単位スケーリングによって前処理される。
• モデルのロバスト性を評価するため、入力系列長、予測期間、および学習データサイズを変化させた状態でモデルを評価する。
• 標準的な評価指標を用いて、他の既存の予測手法と比較して性能をベンチマークする。
• モデルは、時系列価格データに内在する長期的時間的依存性を捉えるLSTMの能力を活用する。
• 最終的なモデルは、実際の市場価格データを用いてテストされ、汎化性能および予測精度の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのディープラーニングモデルは、従来手法よりも電力市場価格予測において高い予測精度を達成できるか？
• RQ2 入力系列長は、LSTMモデルの価格予測性能にどのように影響するか？
• RQ3 予測期間および学習データサイズは、モデルの予測精度にどのような影響を及えるか？
• RQ4 単位スケーリング前処理は、モデルの収束性および性能にどのような影響を及えるか？
• RQ5 LSTMモデルは、ニューヨーク・イースタンおよびPJMのような異なる電力市場においても、良好に一般化するか？

主な発見

• LSTMモデルは、すべてのテスト設定において、他の既存手法を常に上回る予測精度を示した。
• 単位スケーリング前処理は、学習安定性およびモデル収束性を顕著に向上させた。
• 入力長および予測期間の変動に対しても、モデルは強固な性能を維持した。これは、ロバスト性を示している。
• 限られた学習データでも優れた結果を達成したため、強力な一般化能力を示した。
• LSTMフレームワークは、電力価格系列に内在する長期的時間的依存性を効果的に捉えており、より正確な予測を可能にした。
• 本研究は、特にLSTMを用いたディープラーニングが、電力市場価格予測において極めて効果的なアプローチであることを確認した。