[論文レビュー] State-of-the-art predictive and prescriptive analytics for IEEE CIS 3rd Technical Challenge

Mahdi Abolghasemi, Rasul Esmaeilbeigi|arXiv (Cornell University)|Dec 7, 2021

Anomaly Detection Techniques and Applications被引用数 9

ひとこと要約

本論文では、不確実性下でのエネルギーコスト最小化のための、アンサンブル LightGBM 予測モデルと、サンプル平均近似（SAA）に基づく混合整数線形計画法（MILP）を組み合わせた最先端のモデルを提示している。この手法は、複数の時間スケールの天気特徴量、シナリオベースのロバスト最適化、およびウォームスタートを用いたフィックスアンド最適化ヒューリスティクスを活用することで、IEEE CIS 第3回技術チャレンジの最適化部門で1位、予測部門で2位を達成し、平均エネルギーコストを3%削減するとともに、予測精度を向上させた。

ABSTRACT

In this paper, we describe our proposed methodology to approach the predict+optimise challenge introduced in the IEEE CIS 3rd Technical Challenge. The predictive model employs an ensemble of LightGBM models and the prescriptive analysis employs mathematical optimisation to efficiently prescribe solutions that minimise the average cost over multiple scenarios. Our solutions ranked 1st in the optimisation and 2nd in the prediction challenge of the competition.

研究の動機と目的

• IEEE CIS 第3回技術チャレンジにおける不確実性下でのエネルギースケジューリングのための、強固な予測的・意思決定的分析フレームワークの開発。
• 高度な特徴工学とアンサンブルモデリングを用いて、太陽光発電および建物エネルギー需要の予測精度の向上。
• 予測誤差を考慮したシナリオベース最適化により、総エネルギーコストの最小化。
• ウォームスタートヒューリスティクスと変数の緩和を用いて、解の品質と計算速度の両立を図る効率的な最適化エンジンの設計。

提案手法

• カレンダー特徴量、1日および1時間単位の天気データ、およびローリング統計量を用いてトレーニングされた2つの LightGBM モデルのアンサンブルを採用し、マルチスケナリオの予測を生成。
• サンプル平均近似（SAA）を用いて6つの予測シナリオにおける期待コストを最小化し、予測誤差に対するロバストネスを向上。
• バッテリーの充放電および活動スケジューリングの制約を含む、線形化された二次コスト項と混合整数線形計画法（MILP）を定式化。
• 2段階のフィックスアンド最適化ヒューリスティクスを導入：まずバッテリーの整数性を緩和して高速な初期解を得る。その後、活動スケジュールを固定し、再びバッテリー意思決定を最適化。
• 変数λを二値変数から連続非負変数に緩和し、ソルバーの収束を加速しながらも、強いバウンディングを維持。
• Python を基盤とし、Gurobi を搭載した最適化エンジンを実装。過去の解ファイルを用いたウォームスタート機能により、実行時間と解の品質を向上。

実験結果

リサーチクエスチョン

• RQ1 アンサンブル機械学習モデルは、15分間隔での太陽光発電および建物エネルギー需要の予測精度をどの程度向上させ得るか？
• RQ2 SAA を用いたシナリオベース最適化は、単一予測最適化と比較して、期待エネルギーコストをどの程度低減するか？
• RQ3 予測と意思決定を統合したハイブリッドフレームワークは、実世界のエネルギースケジューリング課題において、単独の予測または最適化手法を上回る性能を示せるか？
• RQ4 確率的最適化設定下で、予測精度と実際のエネルギーコスト削減の間には、どのような相関関係が見られるか？
• RQ5 天気データおよび時間的特徴量は、エネルギー系の予測性能を向上させるために、どのような役割を果たすか？

主な発見

• アンサンブル LightGBM モデルは、10月のテストセットにおいて、平均絶対スケーリング誤差（MASE）が 0.58 を達成し、優れた予測性能を示した。
• 最終的な最適化提出は、11月のテストセットにおいて実エネルギーコストが 328,359 であったことから、コンペティションの最適化部門で1位を獲得した。
• MASE が 0.84 から 0.74 に11%低下したことで、実際のエネルギーコストが3%削減された。これは、予測精度とコスト効率の間には正の相関関係があることを示している。
• SAA を用いて6つの予測シナリオを活用したことで、期待コストが低く抑えられ、個々の予測誤差への感受性も低減した。
• ウォームスタートを用いたフィックスアンド最適化ヒューリスティクスは、解の速度と品質を顕著に向上させ、最終のソルバー実行では最適性ギャップが約 2.5% に近づいた。