[論文レビュー] Short Term Electricity Load Forecasting on Varying Levels of Aggregation

Raffi Sevlian, Ram Rajagopal|arXiv (Cornell University)|Mar 31, 2014

Energy Load and Power Forecasting参考文献 34被引用数 62

ひとこと要約

本稿では、電力需要の集約度に応じた負荷予測精度の向上を定量化する普遍的なスケーリング則を提案する。集約度が一定水準に達すると性能が飽和することを示しており、実証データ（18万件の顧客）と理論的バイアス・バリアンス分解を用いて、異なる負荷水準や予測手法における相対的予測誤差を高精度に予測するモデルを導出する。

ABSTRACT

We propose a simple empirical scaling law that describes load forecasting accuracy at different levels of aggregation. The model is justified based on a simple decomposition of individual consumption patterns. We show that for different forecasting methods and horizons, aggregating more customers improves the relative forecasting performance up to specific point. Beyond this point, no more improvement in relative performance can be obtained.

研究の動機と目的

• 短時間負荷予測における負荷集約度と予測精度の関係を定量化すること。
• 多様な予測モデルやデータタイプに適用可能な、集約誤差曲線（AECs）を用いたベンチマークフレームワークの構築。
• 簡略化された負荷形状モデルに基づくバイアス・バリアンス分解による理論的スケーリング則の導出。
• 住宅および商業顧客の実世界消費データを用いて、スケーリング則の実証的検証。
• カスタムモデルチューニングを必要としない、配電系統スマートグリッド応用における予測性能評価の実用的ツールの提供。

提案手法

• パシフィック・ガスアンドエレクトリックの18万件の顧客から得た1年間の負荷プロファイルを用いて、さまざまな集約度における集約誤差曲線（AECs）を実証的に構築。
• 追加ノイズを伴う確率的負荷形状生成プロセスを仮定し、予測誤差のバイアス・バリアンス分解に基づく理論的モデルを構築。
• 合計負荷W、モデル固有のバイアスδ(M)、集団分散γ、ノイズ分散σ²を組み込んだ、予測誤差の変動係数（CV）の閉形式表現を導出。
• 非線形回帰モデルを用いて、観測されたAECsに適合させる。形式は $ CV(W) = \sqrt{\frac{\alpha_0}{W^p} + \alpha_1} + \epsilon $ であり、線形推定のため $ CV^2(W) = \frac{\alpha_0}{W^p} + \alpha_1 + \epsilon' $ に変換。
• 平均二乗誤差（MSE）の最小化により、候補となるp値の範囲でスケーリング指数pを推定し、ノイズに強い性能を確保。
• 既知の真値パラメータを用いたモンテカルロシミュレーションにより、パrameter推定の妥当性を検証し、バイアスが低く真値に収束することを確認。

実験結果

リサーチクエスチョン

• RQ1 電力負荷が顧客間で集約されるに従い、予測精度（相対誤差で測定）はどのように変化するか？
• RQ2 多様な予測手法にわたる負荷レベルと予測誤差の関係を捉える普遍的スケーリング則を導出可能か？
• RQ3 集約負荷予測における主な誤差要因（バイアス対バリアンス）は何か、またそれらは集約度にどのようにスケーリングされるか？
• RQ4 バイアス・バリアンス分解に基づく理論的モデルは、観測された実証的集約誤差曲線をどの程度説明できるか？
• RQ5 提案されたスケーリング則は、異なる予測期間、データタイプ（住宅対商業）、モデルアーキテクチャに対してどの程度頑健か？

主な発見

• 負荷の集約に伴い予測精度は向上するが、ある閾値に達するとこれ以上向上しなくなり、集約による利点の上限が存在することを確認。
• 提案されたスケーリング則 $ CV(W) = \sqrt{\frac{\delta(\mathcal{M}) + \gamma}{\mu} + \frac{\kappa + \sigma^2}{\mu W}} $ は、複数の予測手法および予測期間において観測されたAECsを高精度にモデル化している。
• 実証的AECsは非ゼロの不可避誤差成分を示しており、最適モデルでも集団レベルの負荷形状のばらつきやモデルバイアスに起因する根本的制限が存在することを示している。
• AECモデルにおけるスケーリング指数pは、一貫して狭い範囲（例：シミュレーションではp ≈ 0.97）に推定され、データセット間で普遍的なスケーリング行動を示している。
• CV²(W)に変換したデータに対する非線形回帰によるパrameter推定は、バイアスが低く収束性が高く、モンテカルロシミュレーションによりノイズおよびサンプルサイズに対して頑健であることが確認された。
• 本フレームワークにより、配電系統における実用的集約度での予測手法のベンチマークが可能となり、モデル固有のチューニングに依存しない標準化された性能評価ツールが提供された。