[論文レビュー] Real-time Load Prediction with High Velocity Smart Home Data Stream

Christoph Doblander, Martin Strohbach+2 more|arXiv (Cornell University)|Aug 12, 2017

Time Series Analysis and Forecasting参考文献 22被引用数 3

ひとこと要約

本稿では、電力マイクログリッドにおける短期的な負荷バランスを実現するために、高速度なスマートホームセンサー・データを用いたリアルタイム負荷予測システムを提案する。3年間分の高分解能のデバイスレベルエネルギー・データセットを用い、複数の機械学習モデルの性能を評価した結果、Lasso回帰のような軽量モデルが低い計算コストで高い精度を達成しており、ローカルエネルギー市場におけるストリーミング配信に適していることが示された。

ABSTRACT

This paper addresses the use of smart-home sensor streams for continuous prediction of energy loads of individual households which participate as an agent in local markets. We introduces a new device level energy consumption dataset recorded over three years wich includes high resolution energy measurements from electrical devices collected within a pilot program. Using data from that pilot, we analyze the applicability of various machine learning mechanisms for continuous load prediction. Specifically, we address short-term load prediction that is required for load balancing in electrical micro-grids. We report on the prediction performance and the computational requirements of a broad range of prediction mechanisms. Furthermore we present an architecture and experimental evaluation when this prediction is applied in the stream.

研究の動機と目的

• ローカルエネルギー市場に参加する個々の世帯に対して、リアルタイムで継続的な負荷予測を可能にすること。
• 高速度なスマートホームエネルギー・ストリーム上で、多様な機械学習モデルの性能と計算効率を評価すること。
• リアルタイム・データストリーム処理パイプラインへの負荷予測の展開を可能にするスケーラブルなアーキテクチャの設計と検証すること。
• 正確で低遅延の予測を通じて、電力マイクログリッドにおける短期的な負荷バランスを支援すること。
• 実世界の長期的スマートホームデータセット上で、異なるモデルの予測精度とリソース使用量のベンチマークを提供すること。

提案手法

• 本研究では、スマートホームパイロット・プログラムから収集された3年間分の高分解能のデバイスレベルエネルギー消費データセットを用いる。
• Lasso、ランダムフォレスト、勾配ブースティング、ニューラルネットワークを含む、さまざまな機械学習モデルを訓練・評価し、短期的な負荷予測を実施する。
• 予測パイプラインは、低遅延推論を保証するストリーミング処理アーキテクチャを用いてリアルタイムでデータを処理するように設計されている。
• モデルの性能は、RMSE や MAE などの指標で評価され、計算コストは推論時間とリソース消費量の観点から測定される。
• ローカルエネルギー市場への展開を想定し、現実的なストリーミング環境下でシステムを評価する。
• 特徴工学には、時間的パターン、歴史的負荷トレンド、デバイスレベルの消費特徴量を含め、予測精度の向上を図る。

実験結果

リサーチクエスチョン

• RQ1 高速度なスマートホームエネルギー・ストリーム上で、短期的な世帯負荷予測において、どの機械学習モデルが最高の予測精度を達成するか？
• RQ2 異なるモデルは、リアルタイム・ストリーミング処理において、予測精度と計算効率のバランスをどのようにとるか？
• RQ3 高分解能のデバイスレベルエネルギー・データセットにおいて、特徴工学の影響は予測性能にどのように現れるか？
• RQ4 Lasso回帰のような軽量モデルは、最小限の遅延とリソース使用量で、リアルタイム負荷予測に効果的に使用可能か？
• RQ5 提案されたアーキテクチャは、マイクログリッド環境下で、低遅延かつ継続的な負荷予測をどのように支援するか？

主な発見

• Lasso回帰が、予測精度と計算効率のバランスにおいて最良の結果を示し、リアルタイム展開に適した低い推論遅延を達成した。
• データセットから、デバイスレベルのエネルギー消費に顕著な時間的パターンが確認され、特徴工学に組み込むことで予測性能が顕著に向上した。
• ニューラルネットワークやXGBoostのようなアンサンブルモデルは高い精度を達成したが、著しく高い計算リソースを要し、リアルタイムでの実用性が制限された。
• 異なる世帯タイプや負荷プロファイルにおいても、システムは安定した性能を示し、個々の差異に対して頑健であることが確認された。
• 軽量モデルを用いることで、1秒未満の遅延でリアルタイム予測が可能となり、マイクログリッドの負荷バランスに実用的に応用可能であることが示された。
• 評価により、高分解能のデータストリームが、ローカルエネルギー市場参加に不可欠な正確な短期的負荷予測を可能にすることが確認された。