[논문 리뷰] A Single Scalable LSTM Model for Short-Term Forecasting of Disaggregated Electricity Loads

Andrés M. Alonso, Francisco J. Nogales외 1명|arXiv (Cornell University)|2019. 10. 15.

Energy Load and Power Forecasting참고 문헌 28인용 수 4

한 줄 요약

이 논문은 수천 명의 이질적인 스마트 미터에 대해 동시에 단일이고 확장 가능한 장기 단기 기억(長短期記憶, LSTM) 순환 신경망 모델을 제안한다. 다양한 가정의 대표 샘플 세트를 기반으로 훈련함으로써, 단일 모델을 사용하여도 다변량 기준보다 20퍼센트 이상 높은 정확도를 달성하며, 훈련 후에 새로운, 본 적 없는 소비자를 거의 비용 없이도 예측할 수 있다.

ABSTRACT

Most electricity systems worldwide are deploying advanced metering infrastructures to collect relevant operational data. In particular, smart meters allow tracking electricity load consumption at a very disaggregated level and at high frequency rates. This data opens the possibility of developing new forecasting models with a potential positive impact in electricity systems. We present a general methodology that is able to process and forecast a large number of smart meter time series. Instead of using traditional and univariate approaches, we develop a single but complex recurrent neural-network model with long short-term memory that can capture individual consumption patterns and also consumptions from different households. The resulting model can accurately predict future loads (short-term) of individual consumers, even if these were not included in the original training set. This entails a great potential for large scale applications as once the single network is trained, accurate individual forecast for new consumers can be obtained at almost no computational cost. The proposed model is tested under a large set of numerical experiments by using a real-world dataset with thousands of disaggregated electricity consumption time series. Furthermore, we explore how geo-demographic segmentation of consumers may impact the forecasting accuracy of the model.

연구 동기 및 목표

• 스마트 미터에서 유입되는 대규모 분리된 전력 소비 시계열 데이터에 대해 확장 가능하고 단일 모델 기반의 단기 예측 기법을 개발하는 것.
• 각 가정별로 별도의 모델을 훈련하는 데 발생하는 계산 부담을 해소하기 위해 통합된 LSTM 아키텍처를 사용하는 것.
• 재훈련 없이도 새로운, 이전에 본 적 없는 소비자에 대해서도 정확한 예측을 가능하게 하는 것.
• 지리적·사회적 특성 분류가 예측 성능에 미치는 영향을 평가하는 것.
• 스마트 그리드 응용 분야에서 실시간 부하 예측을 위한 계산 효율성이 높고 대규모 적용이 가능한 솔루션을 제공하는 것.

제안 방법

• 지리적·사회적 특성에 따라 그룹화된 스마트 미터 시계열 데이터의 대표 샘플 세트를 기반으로 단일 LSTM 기반 순환 신경망을 훈련한다.
• 모델은 여러 가정 간의 패턴을 동시에 학습하여 개인의 소비 행동과 가정 간 상호작용을 포착한다.
• 예측 정확도를 향상시키기 위해 시간 변수(시간대, 요일, 월), 기상 데이터, 기념일 효과 등의 입력 특징을 포함한다.
• 모델은 한 번만 훈련되고, 훈련 세트에 포함되지 않은 새로운 가정의 외부 샘플 예측에도 재사용된다.
• 성능 평가에는 다수의 외부 샘플 기간과 지리적·사회적 그룹에서의 MAE(Mean Absolute Error)를 사용한다.
• 계층적 접근 방식을 사용한다: 첫째, 데이터를 지리적·사회적 프로파일 기반으로 19개의 동질적 그룹으로 분할하고, 둘째, 각 그룹에 대해 단일 LSTM을 훈련하거나, 일반화를 위해 혼합된 데이터 세트를 기반으로 글로벌 모델을 훈련한다.

실험 결과

연구 질문

• RQ1 단일 LSTM 모델이 수천 개의 분리된 전력 소비 시계열 데이터에 대해 높은 예측 정확도를 달성할 수 있는가?
• RQ2 훈련 세트에 포함되지 않은 새로운, 본 적 없는 가정의 소비를 예측할 때 모델의 성능은 어떠한가?
• RQ3 글로벌 모델 대비 지리적·사회적 특성 분류를 통해 예측 정확도가 얼마나 향상되는가?
• RQ4 기존의 단변량 접근 방식에 비해 제안된 모델의 계산 효율성은 어떠한가?
• RQ5 개별 가정의 소비 데이터에서 비선형성, 계절성, 노이즈를 모델이 어떻게 다루는가?

주요 결과

• 백테스트 실험에서 모든 테스트 기간과 미터에 대해 중앙값 MAE에서 단일 기준 모델 대비 20퍼센트 이상 높은 정확도를 확보했다.
• 모델은 ACORN-U 및 글로벌 그룹을 포함한 19개의 지리적·사회적 그룹 전반에서 일관된 외부 샘플 성능을 보이며 안정적인 오차 감소를 유지했다.
• 훈련 세트에 포함되지 않은 새로운 가정의 예측에서도 높은 정확도를 유지하여 강력한 일반화 능력을 입증했다.
• 동질적인 지리적·사회적 그룹에서 훈련된 경우 모델 성능이 크게 향상되었지만, 사전 분류 없이도 여전히 효과적인 성능을 발휘했다.
• 단 한 번의 초기 훈련만으로도 수십만 대의 스마트 미터에 대해 확장 가능하고 거의 실시간으로 예측이 가능한 성능을 달성했다.
• 모델의 성공은 대규모 데이터셋을 통해 복잡한 비선형 패턴과 계절성을 공동 학습함으로써 포착할 수 있었기 때문으로 분석된다.