[論文レビュー] The Importance of Environmental Factors in Forecasting Australian Power Demand

Ali Eshragh, Benjamin Ganim+2 more|arXiv (Cornell University)|Nov 3, 2019

Energy Load and Power Forecasting参考文献 31被引用数 12

ひとこと要約

本稿では、豪州の3州における週次ピーク電力需要を予測するため、環境要因（最高気温、最低気温、日射量）を季節自己回帰統合移動平均（SARIMA）フレームワークに統合したハイブリッドSARIMA-回帰モデルを提案する。このモデルは平均絶対誤差率（MAPE）3.41％を達成し、純粋なSARIMAモデル比で46.3％の改善を示し、RNNベースのグローバル予測モデルを含む最先端の機械学習手法を上回る性能を示している。

ABSTRACT

We develop a time series model to forecast weekly peak power demand for three main states of Australia for a yearly time-scale, and show the crucial role of environmental factors in improving the forecasts. More precisely, we construct a seasonal autoregressive integrated moving average (SARIMA) model and reinforce it by employing the exogenous environmental variables including, maximum temperature, minimum temperature, and solar exposure. The estimated hybrid SARIMA-regression model exhibits an excellent mean absolute percentage error (MAPE) of 3.41%. Moreover, our analysis demonstrates the importance of the environmental factors by showing a remarkable improvement of 46.3% in MAPE for the hybrid model over the crude SARIMA model which merely includes the power demand variables. In order to illustrate the efficacy of our model, we compare our outcome with the state-of-the-art machine learning methods in forecasting. The results reveal that our model outperforms the latter approach.

研究の動機と目的

• 豪州における中期間の週次ピーク電力需要予測に、最高気温、最低気温、日射量といった環境要因の影響を調査すること。
• SARIMAモデルに外生的環境変数を統合することで、中期間負荷予測（MTLF）の精度を向上させること。
• 提案されたハイブリッドモデルの性能を、特にRNNベースのグローバル予測モデルを含む最先端の機械学習手法と比較すること。
• 実用的なエネルギー計画応用に適した、透明性があり解釈可能で計算効率の良い予測フレームワークを提供すること。

提案手法

• ニューサウスウェールズ（NSW）、ビクトリア（VIC）、サウスオーストラリア（SA）の週次ピーク電力需要（WPD）データに、季節自己回帰統合移動平均（SARIMA）モデルを適合する。
• 外生的環境変数（最高気温、最低気温、日射量）を線形回帰部として統合し、ハイブリッドSARIMA-回帰モデルを構築する。
• 歴史的データを用いてモデルを推定し、環境変数を予測力の最大化を目的とした決定的回帰変数として扱う。
• 平均絶対誤差率（MAPE）を用いてモデルの性能を評価し、純粋なSARIMAモデルおよび最先端のRNNベースのグローバル予測モデル（GFM）と比較する。
• RNNベースのGFMのハイパーパrameterは、逐次モデルベースのアルゴリズム構成（SMAC）およびCOBAC最適化アルゴリズムを用いて最適化する。
• 2017年の52週間予測に対してモデルを検証し、3州すべてで結果を可視化・比較する。

実験結果

リサーチクエスチョン

• RQ1 最高気温や日射量といった環境要因は、豪州における中期間の週次ピーク電力需要予測の精度をどの程度向上させるか？
• RQ2 ハイブリッドSARIMA-回帰モデルの性能は、純粋なSARIMAモデルと比べてどのように異なるか？
• RQ3 この文脈において、ハイブリッド統計モデルは、RNNベースのグローバル予測モデルのような最先端の機械学習手法を上回ることができるか？
• RQ4 気候条件が異なる豪州の各州で、予測誤差（MAPEで測定）はどのように変動するか？

主な発見

• ハイブリッドSARIMA-回帰モデルは、豪州の3州すべてで平均絶対誤差率（MAPE）3.41％を達成し、高い予測精度を示した。
• 環境要因の統合により、純粋なSARIMAモデル比で平均して46.3％の精度向上が達成され、州別に見るとビクトリア州（VIC）で38.6％、ニューサウスウェールズ州（NSW）で58.6％の改善が見られた。
• ハイブリッドモデルは、最先端のRNNベースのグローバル予測モデルを上回り、そのMAPE値はニューサウスウェールズ州（NSW）で5.07％、ビクトリア州（VIC）で5.30％、サウスオーストラリア州（SA）で7.81％であった。
• モデルの係数は解釈可能で計算効率が高く、複雑なブラックボックス型機械学習モデルに比べて実用的利点がある。
• 温度や日射量といった環境変数は、強く季節的で定常的なパターンを示しており、長期予測における信頼性のある予測変数としての適性が裏付けられた。
• 今後の研究では、環境変数自体を予測することで精度をさらに高められる可能性があるが、その強い季節性を考えると、大部分の予測力は保持されると思われる。