[論文レビュー] Review of Low Voltage Load Forecasting: Methods, Applications, and Recommendations

Stephen Haben, Siddharth Arora+3 more|arXiv (Cornell University)|May 30, 2021

Energy Load and Power Forecasting参考文献 269被引用数 136

ひとこと要約

本論文は、低圧（LV）負荷予測手法、応用分野、および課題について包括的なレビューを提供しており、高度で確率的かつプライバシー保護型の予測手法の必要性を強調している。また、コミュニティ主導のオープンデータセットイニシャチブを提唱し、強力な統計モデル（例：SARMA や HWT 指数平滑法）とのベンチマークを実施することで、LV配電網におけるモデル評価と一般化性能の向上を提言している。

ABSTRACT

The increased digitalisation and monitoring of the energy system opens up numerous opportunities to decarbonise the energy system. Applications on low voltage, local networks, such as community energy markets and smart storage will facilitate decarbonisation, but they will require advanced control and management. Reliable forecasting will be a necessary component of many of these systems to anticipate key features and uncertainties. Despite this urgent need, there has not yet been an extensive investigation into the current state-of-the-art of low voltage level forecasts, other than at the smart meter level. This paper aims to provide a comprehensive overview of the landscape, current approaches, core applications, challenges and recommendations. Another aim of this paper is to facilitate the continued improvement and advancement in this area. To this end, the paper also surveys some of the most relevant and promising trends. It establishes an open, community-driven list of the known low voltage level open datasets to encourage further research and development.

研究の動機と目的

• 低圧（LV）負荷予測における現在の手法、応用分野、および課題を包括的にレビューすること。
• 特に家庭レベルとシステムレベルの集計の間で生じる中間的なフィーダー層における予測の空白を特定すること。
• SARMA や HWT 指数平滑法といった強力な統計モデルとのベンチマークを含む、モデル評価のベストプラクティスを提言すること。
• 研究の加速を図るため、オープンでプライバシー保護型のLVデータセットの開発と共有を促進すること。
• スマートグリッド応用を支援するため、確率的予測と説明可能なAI（XAI）の導入を提唱すること。

提案手法

• LV負荷予測に関する既存の文献を系統立ててレビューし、手法、応用分野、課題に焦点を当てる。
• 機械学習、ニューラルネットワーク、および SARMA や HWT 指数平滑法といった統計モデルを含む、現在の予測技術の調査。
• RMSE や MAPE といった標準的な指標を用いた予測性能の評価を行い、フィーダー規模に応じた相対誤差のトレンドに特に注目する。
• LVレベルの既知のオープンデータセットをコミュニティ主導で一覧化する仕組みの提案により、データのアクセス可能性と再現性を向上させる。
• 交差検証を実施し、別個のテストセットを用いること、および正確性に加えて計算コストと解釈可能性を報告することを推奨する。
• 微分プライバシー やフェデレーテッドラーニング といったプライバシー保護技術を活用し、安全なデータ共有を可能にする。

実験結果

リサーチクエスチョン

• RQ1 現在の最先端のLV負荷予測手法は何か？ また、システムレベルや家庭レベルの予測アプローチと比べてどのように異なるか？
• RQ2 なぜLV配電レベルでの予測が高圧レベルよりも困難であるのか？ 特に変動性とデータのスパarsity（スパarsity）の観点から説明せよ。
• RQ3 LV負荷予測における二重ペナルティ効果を是正するため、確率的予測と誤差指標をどのように改善できるか？
• RQ4 LV負荷予測におけるデータ共有の主な障壁は何であり、プライバシー保護分析技術がそれらをどのように克服できるか？
• RQ5 AI/MLの産業応用を促進するため、モデルの解釈性と計算効率をどのように向上できるか？

主な発見

• LV配電レベルには顕著な研究ギャップが存在しており、多くの研究がシステムレベルまたは家庭レベルの予測に集中しており、中間のフィーダー層はほとんど無視されている。
• フィーダー規模と相対誤差の間にべき乗則的関係が存在し、小さなフィーダーは正確な予測が指数関数的に困難である。
• 高い変動性を示すLVネットワークでは確率的予測が不可欠であるが、二重ペナルティ効果を適切に反映する誤差指標はまだ十分に開発されていない。
• プライバシー懸念と共有データセットの不足が主な障壁となっており、微分プライバシー やフェデレーテッドラーニング といったプライバシー保護技術を実装した研究はごく少数にとどまっている。
• 現在のところ、LV予測分野で支配的となるような単一の手法は存在せず、比較がしばしば限定的なモデルファミリーに限られているため、より強力なベンチマークの必要性が浮き彫りになっている。
• モデル評価には正確性に加え、計算コスト、解釈可能性、および耐障害性も含めるべきであり、これにより実世界への適用可能性が保証される。