[논문 리뷰] An Unsupervised Deep Learning Approach for Scenario Forecasts

Yize Chen, Xiyu Wang외 1명|arXiv (Cornell University)|2017. 11. 07.

Energy Load and Power Forecasting참고 문헌 15인용 수 8

한 줄 요약

이 논문은 생성적 적대적 네트워크(GANs)를 사용하여 역사적 데이터를 기반으로 학습하고, 점 추정치를 조건으로 삼아 현실적이며 시간적으로 상관관계가 있는 시나리오를 생성하는 모델-무료, 데이터 기반의 비지도 딥러닝 접근법을 제안한다. 이는 학습된 GAN을 통해 노이즈 벡터를 최적화하여 다양한, 날카롭고 신뢰할 수 있는 시나리오를 다중 수평선에 걸쳐 생성함으로써, 기존의 가우시안 코퓰라와 같은 전통적 방법보다 시나리오 품질 및 신뢰성 지표에서 뛰어난 성능을 보인다.

ABSTRACT

In this paper, we propose a novel scenario forecasts approach which can be applied to a broad range of power system operations (e.g., wind, solar, load) over various forecasts horizons and prediction intervals. This approach is model-free and data-driven, producing a set of scenarios that represent possible future behaviors based only on historical observations and point forecasts. It first applies a newly-developed unsupervised deep learning framework, the generative adversarial networks, to learn the intrinsic patterns in historical renewable generation data. Then by solving an optimization problem, we are able to quickly generate large number of realistic future scenarios. The proposed method has been applied to a wind power generation and forecasting dataset from national renewable energy laboratory. Simulation results indicate our method is able to generate scenarios that capture spatial and temporal correlations. Our code and simulation datasets are freely available online.

연구 동기 및 목표

• 복잡하고 비정규분포이며 시간적으로 상관관계가 있는 재생 가능 에너지 발전의 불확실성 하에서의 모델링 과제를 해결하기 위해.
• 다양한 예측 수평선과 예측 간격에 적용 가능한 유연하고 모델-무료인 시나리오 생성 프레임워크를 개발하기 위해.
• 공간적 및 시간적 종속성을 유지하면서도 점 추정치 오차에 대해 강건한 고품질의 시나리오를 생성하기 위해.
• 기존의 시나리오 예측 방법에서 흔히 사용되는 강력한 통계적 가정이나 물리 모델에 의존하지 않기 위해.

제안 방법

• 기존의 재생 가능 에너지 발전 데이터를 기반으로 비지도 방식으로 생성적 적대적 네트워크(GAN)를 학습시켜 데이터의 기본 분포를 학습한다.
• 생성기 네트워크는 임의의 노이즈 벡터를 시간적 시리즈 샘플로 매핑하여 실제 역사적 데이터의 통계적 성질을 모방한다.
• 판별기 네트워크는 실제 역사적 시간적 시리즈와 생성된 샘플을 구분함으로써, 샘플의 현실성 향상을 위한 적대적 학습을 가능하게 한다.
• 학습 후, 주어진 점 추정치를 조건으로 삼아 노이즈 벡터에 대한 최적화 문제를 해결하여, 예측된 궤적과 일치하는 시나리오를 생성한다.
• 시나리오의 신뢰성과 날카움을 종합적으로 평가하기 위해 연속적 랭크 확률 점수(CPRS)를 지표로 사용한다.
• 이 방법은 확장 가능하며, 다른 예측 수평선이나 예측 간격에 대해 재학습이 필요하지 않다.

실험 결과

연구 질문

• RQ1 비지도 딥러닝 모델이 명시적인 확률적 가정 없이 현실적이며 시간적으로 상관관계가 있는 재생 가능 전력 시나리오를 생성할 수 있는가?
• RQ2 제안된 GAN 기반 방법이 기존의 통계적 방법에 비해 생성된 시나리오에서 공간적 및 시간적 종속성을 얼마나 잘 유지하는가?
• RQ3 이 방법이 다양한 예측 수평선과 예측 간격에서 날카롭고 신뢰할 수 있는 시나리오를 얼마나 잘 생성할 수 있는가?
• RQ4 시나리오 품질 및 신뢰성 지표 측면에서, 제안된 방법의 성능이 가우시안 코퓰라와 같은 기존의 방법과 비교해 어떻게 되는가?

주요 결과

• 제안된 방법은 생성된 데이터와 실제 데이터의 공분산 행렬 간 강한 유사성을 보이며, 시간적 상관관계를 정확히 포착하고 있음을 입증한다.
• 모든 예측 수평선에서 제안된 방법이 실증적 가우시안 코퓰라 방법보다 CPRS 점수에서 뛰어난 성능을 보이며, 생성된 시나리오의 더 높은 신뢰성과 날카움을 나타낸다.
• 12시간 예측 수평선에서 제안된 방법의 CPRS 점수는 가우시안 코퓰라 방법보다 약 12% 낮아, 더 뛰어난 시나리오 품질을 입증한다.
• 특히 더 높은 예측 간격(예: α = 3)에서 점 추정치가 정확하지 않더라도 실제 실현값을 포함하는 시나리오를 성공적으로 생성한다.
• 4시간에서 12시간까지의 다양한 리드 타임에서도 일관된 성능을 유지하여 강건성과 확장 가능성을 입증한다.
• 최적화 기반 생성 단계 덕분에 재학습 없이도 빠르고 즉각적인 시나리오 생성이 가능하여 실시간 응용에 적합하다.