[論文レビュー] Using Artificial Neural Network Techniques for Prediction of Electric Energy Consumption

Hasan M. H. Owda, Babatunji Omoniwa+2 more|arXiv (Cornell University)|Dec 6, 2014

Energy Load and Power Forecasting参考文献 16被引用数 3

ひとこと要約

本稿では、ガザ Strip（1994–2013年）の月次電力消費データを用いて訓練されたフィードフォワード型人工ニューラルネットワーク（ANN）モデルを提案し、将来の需要を予測する。2-FoldおよびK-Fold交差検証を用いた結果、誤差率が低く（MSE: 1.21–1.88%, MAPE: 120.91–187.65%）、高い精度を示した。これは、データが乏しく不確実性の高い環境においても、ANNがエネルギー予測に有効であることを示している。

ABSTRACT

Due to imprecision and uncertainties in predicting real world problems, artificial neural network (ANN) techniques have become increasingly useful for modeling and optimization. This paper presents an artificial neural network approach for forecasting electric energy consumption. For effective planning and operation of power systems, optimal forecasting tools are needed for energy operators to maximize profit and also to provide maximum satisfaction to energy consumers. Monthly data for electric energy consumed in the Gaza strip was collected from year 1994 to 2013. Data was trained and the proposed model was validated using 2-Fold and K-Fold cross validation techniques. The model has been tested with actual energy consumption data and yields satisfactory performance.

研究の動機と目的

• 需要の増加が供給を上回るが、歴史的データが限られるガザ Stripにおける電力消費の信頼性の高い予測モデルの開発。
• 回帰やARIMAといった従来の統計的手法の限界を克服すること。これらは不安定さや非線形関係の取り扱いが不十分であるため、しばしば失敗する。
• 気象、人口、GDPに影響を受ける複雑な非線形パターンを捉える能力について、人工ニューラルネットワーク（ANN）の性能を評価すること。
• 2-FoldおよびK-Foldといった堅牢な交差検証手法を用いてモデルを検証し、一般化性能を確保し、過学習を回避すること。
• エネルギーが乏しい地域におけるエネルギー事業者にとって実用的で、データ駆動型のツールを提供し、計画の改善、利益の最大化、顧客満足度の向上を図ること。

提案手法

• 本研究では、ガザ Stripの1994年から2013年までの月次電力消費データを用いて訓練されたフィードフォワード型バックプロパゲーションニューラルネットワークを用いる。
• 入力特徴量には、歴史的負荷、平均気温、相対湿度、人口、一人当たりGDPが含まれる。これらはエネルギー需要に影響を与えることが知られている。
• 予測誤差を最小化するために、効率的な学習と重み最適化を実現するため、Levenberg–Marquardtアルゴリズムを採用する。
• 性能評価には、平均二乗誤差（MSE）、平均二乗平方誤差（RMSE）、平均絶対誤差（MAE）、平均絶対パcent誤差（MAPE）といった複数の誤差指標を用いる。
• モデルの堅牢性を評価するために2-FoldおよびK-Fold交差検証を適用し、検証セットは訓練中にのみ使用され、テストセットは最終評価のためにのみ予約される。
• 本モデルは19年分のデータで学習され、実際の2012年および2013年の消費データを用いてテストされ、予測精度の妥当性が検証された。

実験結果

リサーチクエスチョン

• RQ1 ガザ Stripのような不確実性が高く、データが乏しい環境において、人工ニューラルネットワーク（ANN）は電力消費を効果的にモデル化・予測できるか？
• RQ2 予測精度と安定性の観点から、2-FoldとK-Foldの異なる交差検証手法におけるANNモデルの性能はどのように異なるか？
• RQ3 気象変数および社会経済的要因（人口、GDP）を入力に含めることで、時系列データのみを用いたアプローチに比べて、ANNモデルの予測力はどの程度向上するか？
• RQ4 2012年および2013年の未観測データに対してテストした際のモデルの予測精度は何か？また、MSE、RMSE、MAE、MAPEといった誤差指標は、その信頼性をどのように反映しているか？
• RQ5 本稿で提案するANNモデルは、現実世界の不確実性を伴う状況下でも、ARIMA や回帰といった従来の統計的手法を上回ってエネルギー消費を予測できるか？

主な発見

• 2-Fold交差検証を用いた2012年のデータに対して、ANNモデルは平均二乗誤差（MSE）1.21%、平均二乗平方誤差（RMSE）1.10%を達成し、高い予測精度を示した。
• 2013年においては、2-Fold交差検証下でMSEが1.74%、RMSEが1.32%、MAPEが173.76%と、年間を通じて一貫した性能を示した。
• K-Fold交差検証では2012年にMSEが3.87%、MAPEが386.54%と高い誤差率を示し、K-Fold設定に過学習または不安定性が生じた可能性がある。これは、データの分割方法に起因する可能性がある。
• モデルは月次消費の予測において高い一貫性を示し、2012年および2013年の大多数の月において、予測値が実測値とよく一致した。
• 気象および社会経済的要因を入力に含めることで、時系列データのみを用いたモデルに比べて、モデルの性能が顕著に向上した。これは、外部要因を捉える能力が向上したことを示している。
• 結果から、不確実性が高くデータが限られる地域においても、ANNがエネルギー予測に有効であることが確認された。本研究の文脈では、従来の回帰や時系列モデルを上回る性能を示した。