[論文レビュー] Short-term Prediction of Household Electricity Consumption Using Customized LSTM and GRU Models

Saad Emshagin, Wayes Koroni Halim+1 more|arXiv (Cornell University)|Dec 16, 2022

Energy Load and Power Forecasting被引用数 5

ひとこと要約

本稿では、スマートメーターのデータを用いた短期的な家庭電力消費予測のため、カスタマイズされたLSTMおよびGRUモデルを提案する。結果として、LSTMはGRUおよびARIMAを上回り、実世界の時系列データにおいて最小限の誤差で個々の家庭の負荷を予測する優れた精度を達成した。

ABSTRACT

With the evolution of power systems as it is becoming more intelligent and interactive system while increasing in flexibility with a larger penetration of renewable energy sources, demand prediction on a short-term resolution will inevitably become more and more crucial in designing and managing the future grid, especially when it comes to an individual household level. Projecting the demand for electricity for a single energy user, as opposed to the aggregated power consumption of residential load on a wide scale, is difficult because of a considerable number of volatile and uncertain factors. This paper proposes a customized GRU (Gated Recurrent Unit) and Long Short-Term Memory (LSTM) architecture to address this challenging problem. LSTM and GRU are comparatively newer and among the most well-adopted deep learning approaches. The electricity consumption datasets were obtained from individual household smart meters. The comparison shows that the LSTM model performs better for home-level forecasting than alternative prediction techniques-GRU in this case. To compare the NN-based models with contrast to the conventional statistical technique-based model, ARIMA based model was also developed and benchmarked with LSTM and GRU model outcomes in this study to show the performance of the proposed model on the collected time series data.

研究の動機と目的

• 高い変動性と不確実性のため、個々の家庭レベルでの正確な短期的電力需要予測の課題に対処すること。
• 特にカスタマイズされたLSTMおよびGRUを含むディープラーニングモデルが、ARIMAなどの従来の統計モデルと比較してどの程度の性能を示すかを評価すること。
• スマートメーターからの時系列データを活用して、住宅用電力消費の予測精度を向上させること。
• 将来的なスマートグリッド管理および家庭レベルでのエネルギー最適化のためのデータ駆動型でスケーラブルなソリューションを提供すること。
• 神経ネットワークベースのモデルの有効性を、実世界の家庭電力消費データセット上でベンチマークすること。

提案手法

• 時間的依存関係をモデル化するために、家庭電力消費シーケンスに特化したカスタマイズされた長短期記憶（LSTM）およびゲート付き再帰ユニット（GRU）アーキテクチャを設計した。
• 高分解能の時系列データを個々の家庭のスマートメーターから収集し、そのデータでモデルをトレーニングした。
• シーケンス長、層の数、学習率などのハイパーパrameterを最適化することで、モデルの性能を向上させた。
• RMSEおよびMAEなどの標準的な回帰指標を用いて、LSTM、GRU、およびARIMAモデルの間で比較評価を実施した。
• データ前処理には正規化とシーケンスウィンドウ処理を実施し、再帰モデルの入力シーケンスを準備した。
• 汎化性能および未知の家庭消費パターンへのロバストネスを確認するため、テストセットを用いてモデルを評価した。

実験結果

リサーチクエスチョン

• RQ1 カスタマイズされたLSTMおよびGRUモデルは、短期的な家庭電力消費を予測する際にどのように比較されるか？
• RQ2 ディープラーニングモデルは、ARIMAなどの従来の統計モデルを上回って、個々の家庭の電力需要を予測できるか？
• RQ3 モデルアーキテクチャの選択（LSTM対GRU）が、変動が激しい家庭負荷データの予測精度に与える影響は何か？
• RQ4 カスタマイズされたRNNベースのモデルは、家庭電力消費における長期的および短期的依存関係をどれほど効果的に捉えられるか？
• RQ5 ディープラーニングアプローチを用いて、実世界のスマートメーターのデータからどの程度の予測精度が達成できるか？

主な発見

• カスタマイズされたLSTMモデルは、テストされたすべてのモデルの中で最小のRMSEおよびMAE値を達成し、優れた予測性能を示した。
• GRUモデルは競争力のある性能を示したが、すべての評価指標において一貫してLSTMに劣った。
• ARIMAモデルはLSTMおよびGRUと比較して高い予測誤差を示し、家庭負荷における非線形パターンのモデル化に限界があることが明らかになった。
• LSTMは、家庭電力使用における長期的時間的依存関係および季節的変動を捉える能力に優れていた。
• 結果から、ディープラーニングモデルが個々の家庭の電力消費予測に古典的統計モデルよりも適していることが確認された。
• 本研究は、カスタマイズされたRNNアーキテクチャが、実世界のスマートメーターのデータセットにおいて予測精度を顕著に向上させることを検証した。