[論文レビュー] Predicting Electricity Consumption using Deep Recurrent Neural Networks

Anupiya Nugaliyadde, Upeka V. Somaratne+1 more|arXiv (Cornell University)|Sep 18, 2019

Energy Load and Power Forecasting参考文献 24被引用数 9

ひとこと要約

本論文では、短中期および長期の予測期間において電力消費を予測するために、深層再帰ニューラルネットワーク（RNN）および長短期記憶（LSTM）ネットワークの使用を提案する。ロンドンのスマートメーター・データセットで訓練された両モデルは、個別およびブロックレベルの家庭の予測において平均の平均二乗誤差（RMSE）が0.1に達し、電力需要予測において優れた性能を示している。

ABSTRACT

Electricity consumption has increased exponentially during the past few decades. This increase is heavily burdening the electricity distributors. Therefore, predicting the future demand for electricity consumption will provide an upper hand to the electricity distributor. Predicting electricity consumption requires many parameters. The paper presents two approaches with one using a Recurrent Neural Network (RNN) and another one using a Long Short Term Memory (LSTM) network, which only considers the previous electricity consumption to predict the future electricity consumption. These models were tested on the publicly available London smart meter dataset. To assess the applicability of the RNN and the LSTM network to predict electricity consumption, they were tested to predict for an individual house and a block of houses for a given time period. The predictions were done for daily, trimester and 13 months, which covers short term, mid-term and long term prediction. Both the RNN and the LSTM network have achieved an average Root Mean Square error of 0.1.

研究の動機と目的

• 電力消費の増加と配電システムへの負担の増大という成長する課題に対処すること。
• 履歴消費データを用いた電力需要予測において、RNNおよびLSTMモデルの有効性を評価すること。
• 日次、四半期（四半期）、および13か月予測の複数の時間予測期間におけるモデルの性能をテストすること。
• 個別および集約された家庭データの電力消費予測において、RNNおよびLSTMアーキテクチャの比較を行うこと。
• 電力配給事業者が負荷管理および計画を改善するためのデータ駆動型ソリューションを提供すること。

提案手法

• 本研究では、将来の需要を予測するために履歴電力消費のみを入力とする単変量アプローチを採用する。
• 2つのディープラーニングモデル—標準的なRNNおよびLSTM—がロンドンのスマートメーター・データセット上で訓練され、消費を予測する。
• モデルは、短期（日次）、中期（四半期）、長期（13か月）の予測期間をカバーするように評価され、短期・中期・長期の性能を評価する。
• モデルの性能は、平均誤差をすべてのテスト予測に対して計算する平均二乗誤差（RMSE）を用いて測定される。
• データセットは、個別家庭および一括した住宅群の消費パターンの両方の訓練およびテストに使用される。
• 両モデルは、シーケンスウインドウ処理および時間軸を逆伝播するバックプロパゲーションを含む、標準的なディープラーニング訓練手順で実装された。

実験結果

リサーチクエスチョン

• RQ1 RNNおよびLSTMネットワークは、履歴消費データのみを用いて電力消費を効果的に予測できるか？
• RQ2 RNNおよびLSTMモデルは、日次、四半期、13か月予測という異なる予測期間においてどのように性能を発揮するか？
• RQ3 個別家庭と集約された家庭ブロックの両方の状況において、これらのモデルの予測精度はどの程度か？
• RQ4 短期・中期・長期の予測タスクにおいて、RMSEの観点からモデルはどのように比較されるか？
• RQ5 外部特徴を用いずに、深層再帰ネットワークが電力消費予測で低誤差率を達成できるか？

主な発見

• RNNおよびLSTMモデルの両方とも、すべての予測期間およびデータタイプにおいて平均の平均二乗誤差（RMSE）が0.1に達した。
• モデルは、短期（日次）、中期（四半期）、長期（13か月）の予測において一貫した性能を示した。
• LSTMモデルは、安定性および収束性の観点で標準的なRNNを上回ったが、両モデルの平均RMSEは類似していた。
• モデルは、個別家庭および住宅群の両方の電力消費予測において効果的であった。
• 結果から、最小限の入力特徴で高い精度を達成できる単変量深層再帰モデルが電力需要予測に有効であることが示された。
• 本研究は、実世界の配電シナリオにおけるRNNおよびLSTMネットワークが、実用的な電力消費予測に適していることを確認した。