[論文レビュー] Short-term Load Forecasting at Different Aggregation Levels with Predictability Analysis

Yayu Peng, Yishen Wang+5 more|arXiv (Cornell University)|Mar 26, 2019

Energy Load and Power Forecasting参考文献 20被引用数 15

ひとこと要約

本稿は、アイルランドのスマートメーターデータセットを用いて、特に個々の住宅および中小企業（SME）負荷を含む、複数の集計レベルにおける短期負荷予測（STLF）を調査する。近似的エントロピーを用いた予測可能性分析を導入し、線形回帰からディープラーニングに至る多様な手法を評価しており、低集計レベルで著しく変動が激しい負荷に対して、データ前処理が予測精度を顕著に向上させることを示している。

ABSTRACT

Short-term load forecasting (STLF) is essential for the reliable and economic operation of power systems. Though many STLF methods were proposed over the past decades, most of them focused on loads at high aggregation levels only. Thus, low-aggregation load forecast still requires further research and development. Compared with the substation or city level loads, individual loads are typically more volatile and much more challenging to forecast. To further address this issue, this paper first discusses the characteristics of small-and-medium enterprise (SME) and residential loads at different aggregation levels and quantifies their predictability with approximate entropy. Various STLF techniques, from the conventional linear regression to state-of-the-art deep learning, are implemented for a detailed comparative analysis to verify the forecasting performances as well as the predictability using an Irish smart meter dataset. In addition, the paper also investigates how using data processing improves individual-level residential load forecasting with low predictability. Effectiveness of the discussed method is validated with numerical results.

研究の動機と目的

• 個々の住宅および中小企業（SME）消費者を含む、低集計負荷に焦点を当てた短期負荷予測（STLF）研究におけるギャップを埋める。
• 近似的エントロピーを用いて、異なる負荷タイプの予測可能性を定量化し、内在的な予測可能性を評価する。
• 古典的線形モデルから最先端のディープラーニングに至る広範なSTLF手法を、さまざまな集計レベルで評価する。
• 低予測可能性の個別レベル負荷における予測性能向上に寄与するデータ前処理の影響を調査する。
• 実世界のアイルランドのスマートメーターデータセットを用いて、実証的妥当性を検証し、さまざまな集計レベルにおける手法の有効性を評価する。

提案手法

• 近似的エントロピーを用いて、異なる集計レベルにおける負荷時系列の予測可能性を定量化する。低値はより規則的かつ予測可能であることを示す。
• 線形回帰、サポートベクターレグレッション、XGBoost、LSTMやGRUなどのディープラーニングアーキテクチャを含む包括的なSTLFモデルを実装する。
• 正規化、特徴工学、ノイズ低減などのデータ前処理技術を適用し、個別レベル負荷データにおけるモデル性能を向上させる。
• 住宅およびSME消費者からの高分解能負荷測定値を含む、実世界のアイルランドのスマートメーターデータセットを、モデルの学習および評価に使用する。
• 集計レベルごとの比較分析を実施し、低集計負荷に対する最も効果的なアプローチを特定する。
• RMSEやMAEなどの標準的な指標を用いて予測精度を評価し、変電所、都市、個別消費者レベルで結果を報告する。

実験結果

リサーチクエスチョン

• RQ1 近似的エントロピーで定量化された負荷の予測可能性は、さまざまな集計レベルにおいて、住宅およびSME負荷でどのように変化するか？
• RQ2 負荷パターンが著しく変動し、予測が困難な個別消費者レベルにおいて、どのSTLF手法が最も優れた性能を示すか？
• RQ3 低集計・低予測可能性負荷における予測精度向上に、データ前処理がどの程度寄与するか？
• RQ4 さまざまな集計レベルにおいて、従来の機械学習モデルとディープラーニングモデルの性能はどのように比較されるか？
• RQ5 集計スケール全体にわたり、負荷の予測可能性と予測モデルの選択との間にどのような関係があるか？

主な発見

• 個々の住宅およびSME負荷は、変電所や都市レベルの集計負荷と比較して、顕著に低い予測可能性（高い近似的エントロピー）を示す。
• LSTM や GRU などのディープラーニングモデルは、線形回帰や XGBoost などの従来モデルよりも、個別負荷レベルで優れた性能を発揮する。特にデータ前処理を施した後は顕著である。
• 正規化や特徴工学などのデータ前処理技術は、低集計負荷における予測精度に顕著な改善をもたらす。
• 高集計レベルと低集計レベルの間には、著しい性能差が認められ、すべてのモデルにおいて個別負荷がより高い RMSE および MAE 値を示す。
• 近似的エントロピー値は、予測の難易度と強く相関しており、エントロピーが低い（より規則的）負荷パターンは、予測が容易であることを裏付けている。
• 高度なモデルでさえ、個別レベルの負荷予測は本質的な変動性のため依然として困難であり、特化した前処理およびモデリング戦略の導入が不可欠であることが示された。