[論文レビュー] Short Term Load Forecasting Models in Czech Republic Using Soft Computing Paradigms

Muhammad Riaz Khan, Ajith Abraham|ArXiv.org|May 16, 2004

Energy Load and Power ForecastingEngineering参考文献 8被引用数 18

ひとこと要約

本研究では、チェコ共和国の7年間の時間別負荷データを用いて、6つのソフトコンピューティングモデル—多層パーセプトロン、エルマン再帰型ネットワーク、径路基底関数ネットワーク、ホフホードモデル、ファジィ推論システム、およびハイブリッドファジィニューラルネットワーク—を用いた短期電力負荷予測を評価している。ハイブリッドファジィニューラルネットワークと径路基底関数ネットワークが、2日先の電力需要を予測する際に他のモデルを上回り、複雑な非線形負荷パターンにおいて優れた精度と頑健性を示した。

ABSTRACT

This paper presents a comparative study of six soft computing models namely multilayer perceptron networks, Elman recurrent neural network, radial basis function network, Hopfield model, fuzzy inference system and hybrid fuzzy neural network for the hourly electricity demand forecast of Czech Republic. The soft computing models were trained and tested using the actual hourly load data for seven years. A comparison of the proposed techniques is presented for predicting 2 day ahead demands for electricity. Simulation results indicate that hybrid fuzzy neural network and radial basis function networks are the best candidates for the analysis and forecasting of electricity demand.

研究の動機と目的

• チェコ共和国における短期電力需要の予測に向けた、多様なソフトコンピューティングモデルの性能を評価すること。
• 2日先の時間別電力負荷を予測するうえで、最も正確かつ信頼性の高いモデルを特定すること。
• 従来のニューラルネットワーク、再帰型ネットワーク、ファジィシステム、およびハイブリッドモデルが、非線形的かつ時間的に変化する負荷データをどのように処理できるかを比較すること。
• 電力系統運用者に対する実用的インサイトを提供し、負荷予測におけるモデル選択に役立てる。

提案手法

• 本研究では、6つのソフトコンピューティングパラダイムを採用している：多層パーセプトロン（MLP）、エルマン再帰型ニューラルネットワーク（RNN）、径路基底関数（RBF）ネットワーク、ホフホードネットワーク、ファジィ推論システム（FIS）、およびハイブリッドファジィニューラルネットワーク（FNN）。
• すべてのモデルは、チェコ共和国の実際の時間別電力負荷データ7年分を用いて訓練およびテストされた。
• 予測タスクは、48時間（2日）先を予測することに設定され、標準的な誤差指標を用いて性能が評価された。
• ハイブリッドファジィニューラルネットワークは、ファジィ論理によるルールベース推論と、ニューラルネットワークによる適応的重み調整の学習機能を統合している。
• RBFネットワークは、データポイントを中心に局所的な径路基底関数を用いて、複雑な非線形負荷パターンを近似する。
• モデルの性能は、定量的誤差指標を用いて比較され、平均絶対誤差と平均二乗誤差に特に注目した。

実験結果

リサーチクエスチョン

• RQ1 どのソフトコンピューティングモデルが、チェコ共和国における2日先の短期負荷予測で最も正確な結果をもたらすか？
• RQ2 ファジィニューラルネットワークのようなハイブリッドモデルは、独立したニューラルネットワークやファジィシステムと比較して、負荷予測の精度でどのように異なるか？
• RQ3 再帰型ネットワーク（例：エルマン）と順方向伝搬ネットワーク（例：MLP、RBF）は、時間的負荷ダイナミクスを捉える能力でどのように比較されるか？
• RQ4 ホフホードネットワークは、動的システムにおけるその固有の制限にもかかわらず、非線形負荷行動を効果的にモデル化できるか？
• RQ5 ファジィ推論システムは、データ駆動型ニューラルモデルと比較して、負荷データの不確実性と非線形性を処理する能力でどのように異なるか？

主な発見

• ハイブリッドファジィニューラルネットワークが、すべてのモデルの中で最小の予測誤差を達成し、2日先の負荷予測において最も正確なモデルであった。
• 径路基底関数（RBF）ネットワークは、非常に優れた性能を示し、精度で2番目に高く、テスト期間全体にわたり高い安定性を示した。
• 多層パーセプトロンとエルマン再帰型ネットワークは中程度の精度を示したが、ハイブリッドモデルやRBFモデルに劣った。
• ホフホードモデルは、時間系列データおよび非線形ダイナミクスの処理におけるその固有の制限のため、予測性能が低かった。
• ファジィ推論システムは妥当な結果を示したが、急激な負荷変化を捉える能力が、ハイブリッドモデルやRBFモデルに劣った。
• 全体として、ハイブリッドファジィニューラルネットワークとRBFネットワークが、チェコ共和国における短期負荷予測の最良のパフォーマンスを示した。