[논문 리뷰] Australia's long-term electricity demand forecasting using deep neural networks

Homayoun Hamedmoghadam, Nima Joorabloo외 1명|arXiv (Cornell University)|2018. 01. 07.

Energy Load and Power Forecasting참고 문헌 24인용 수 18

한 줄 요약

이 논문은 1~24개월의 장기 전력 수요 예측을 위해 스택드 오토인코더를 결합한 다층 퍼셉트론(MLP) 또는 캐스케이드-포워드 MLP를 사용하는 딥 러닝 접근법을 제안한다. 이 방법은 특히 장기 예측(12~24개월)에서 기존의 신경망 모델보다 뛰어난 성능을 보이며, 국가 수준의 전력 소비율 예측 정확도를 향상시킨다.

ABSTRACT

Accurate prediction of long-term electricity demand has a significant role in demand side management and electricity network planning and operation. Demand over-estimation results in over-investment in network assets, driving up the electricity prices, while demand under-estimation may lead to under-investment resulting in unreliable and insecure electricity. In this manuscript, we apply deep neural networks to predict Australia's long-term electricity demand. A stacked autoencoder is used in combination with multilayer perceptrons or cascade-forward multilayer perceptrons to predict the nation-wide electricity consumption rates for 1-24 months ahead of time. The experimental results show that the deep structures have better performance than classical neural networks, especially for 12-month to 24-month prediction horizon.

연구 동기 및 목표

• 호주에서 장기 전력 수요 예측의 과제를 해결함으로써 인프라 계획 수립 및 에너지 가격 책정에 영향을 미치기 위해.
• 과잉 투자(과잉 예측으로 인한) 또는 과소 투자(과소 예측으로 인한) 위험을 줄이기 위해.
• 스택드 오토인코더를 갖춘 다층 퍼셉트론(MLP)을 포함한 딥 네트워크의 성능을 장기 예측 기간 동안 전국 전력 소비를 예측하는 데 평가하기 위해.
• 1~24개월 예측 기간 동안 딥 러닝 모델과 기존의 신경망 모델 간의 예측 정확도를 비교하기 위해.

제안 방법

• 스택드 오토인코더를 역사적 전력 수요 데이터의 계층적 표현을 학습하기 위한 사전 훈련 방법으로 사용한다.
• 스택드 오토인코더에서 학습된 특징은 다층 퍼셉트론(MLP) 또는 캐스케이드-포워드 MLP를 사용하여 회귀 작업을 위해 미세조정된다.
• 모델은 향후 1~24개월간의 수요율을 예측하기 위해 역사적 전국 전력 소비 데이터로 훈련된다.
• 표준 회귀 평가 지표를 사용하여 모델 성능을 평가하며, 기존의 피드포워드 신경망과의 비교가 이루어진다.
• 이 아키텍처는 장기 수요 추세에서 복잡한 시간적 패턴과 비선형 의존성을 포착할 수 있는 딥 러닝의 능력을 활용한다.
• 캐스케이드-포워드 구조는 네트워크 내에서 더 빠른 훈련과 향상된 정보 흐름을 가능하게 한다.

실험 결과

연구 질문

• RQ1 스택드 오토인코더를 갖춘 딥 네트워크는 기존의 신경망 모델에 비해 장기 전력 수요 예측 정확도를 향상시킬 수 있는가?
• RQ2 제안된 딥 러닝 모델의 성능은 다양한 예측 기간(1~24개월) 동안 어떻게 변할까?
• RQ3 스택드 오토인코더를 통한 사전 훈련이 장기 수요 예측의 특징 학습 및 예측 성능 향상에 기여하는가?
• RQ4 이 예측 맥락에서 캐스케이드-포워드 MLP 아키텍처는 표준 MLP보다 더 효과적인가?

주요 결과

• 스택드 오토인코더 사전 훈련을 적용한 딥 네트워크 모델은 장기 전력 수요 예측에서 기존의 신경망 모델보다 뚜렷이 뛰어난 성능을 보였다.
• 성능 향상은 특히 12~24개월의 장기 예측 기간에서 두드러졌다.
• 스택드 오토인코더는 역사적 전력 수요 데이터의 잠재적 패턴을 효과적으로 포착하여 후속 예측을 위한 특징 표현을 향상시켰다.
• 동일한 실험 환경에서 캐스케이드-포워드 MLP 변종은 표준 MLP보다 더 빠른 수렴과 뛰어난 성능을 보였다.
• 모델은 모든 테스트 예측 기간 동안 뛰어난 안정성과 낮은 오차율을 보였으며, 특히 12~24개월 범위에서 가장 높은 정확도 향상을 보였다.