[논문 리뷰] Data-Driven Load Modeling and Forecasting of Residential Appliances

Yuting Ji, Elizabeth J. Buechler외 1명|arXiv (Cornell University)|2018. 10. 08.

Smart Grid Energy Management인용 수 4

한 줄 요약

이 논문은 1분 간격의 서브미터링 전력 데이터를 사용하여 데이터 기반, 고해상도의 가정용 가전기기 부하 모델링 및 단기 예측을 위한 조건부 숨겨진 반마르코프 모델(Conditional Hidden Semi-Markov Model, CHSMM)을 제안한다. 가전기기 상태와 상태 지속 시간을 확률적으로 모델링하고, 온도 및 시간대와 같은 외생 변수에 조건을 두어 전이를 조절함으로써 정확한 예측과 이상 탐지가 가능해지며, 모델 개선을 통해 집계된 에어컨의 NRMSE가 0.050으로 감소한다.

ABSTRACT

The expansion of residential demand response programs and increased deployment of controllable loads will require accurate appliance-level load modeling and forecasting. This paper proposes a conditional hidden semi-Markov model to describe the probabilistic nature of residential appliance demand, and an algorithm for short-term load forecasting. Model parameters are estimated directly from power consumption data using scalable statistical learning methods. Case studies performed using sub-metered 1-minute power consumption data from several types of appliances demonstrate the effectiveness of the model for load forecasting and anomaly detection.

연구 동기 및 목표

• 고시간 해상도에서의 확률적 행동을 포착하는 스케일러블하고 데이터 기반의 가정용 가전기기 부하 모델을 개발하기 위해.
• 실제 전력 소비 데이터에서 유의미한 상태 전이 및 지속 시간 분포를 학습함으로써 단기 부하 예측을 정확하게 가능하게 하기 위해.
• 외부 변수인 실외 온도 및 시간대와 같은 요소를 통합하여 모델의 행동 및 환경적 요인에 대한 적응성을 향상시키기 위해.
• 개별 가전기기 및 집계 수준에서의 예측 기능을 통해 수요 반응 및 전력망 신뢰성에 기여하기 위해.
• 예측 오차 분석을 통해 이상적인 가전기기 행동을 탐지하는 데 모델의 유용성을 입증하기 위해.

제안 방법

• 모델은 가전기기 작동을 무작위 지속 시간을 가진 관측 불가능한 상태의 시퀀스로 표현하기 위해 조건부 숨겨진 반마르코프 모델(CHSMM)을 사용한다.
• 상태 전이 및 발현 확률은 실외 온도 및 시간대와 같은 외생 변수에 조건을 두어 환경적 및 시간적 영향을 반영한다.
• 고차원의 상태 및 지속 시간 공간을 효율적으로 처리하기 위해 다변량 로지스틱 회귀(MNLR)를 활용한 확장 가능한 통계적 학습 기반으로 모델 파라미터를 추정한다.
• 학습된 CHSMM 기반으로 60분 이내의 단기 부하 예측 알고리즘을 개발하였다.
• 장기간 작동 이벤트 및 특정 상태의 지속 시간 분포를 향상시키기 위해 가중치 MNLR 및 상태별 MNLR라는 두 가지 개선 기법을 적용하였다. 특히 에어컨에 대해 유의미한 성능 향상을 이끌어냈다.
• 예측 오차가 큰 경우를 기반으로 이상 탐지를 수행하여 일반적인 가전기기 행동에서의 이탈을 탐지한다.

실험 결과

연구 질문

• RQ1 고해상도 전력 데이터를 사용하여 데이터 기반의 CHSMM이 가정용 가전기기의 확률적 상태 기반 행동을 효과적으로 모델링할 수 있는가?
• RQ2 외생 변수에 따라 상태 전이 및 지속 시간을 조건화하면 예측 정확도가 어떻게 향상되는가?
• RQ3 가중치 MNLR 및 상태별 MNLR와 같은 모델 개선 기법이 에어컨과 같은 특정 가전기기의 예측 오차를 어느 정도 감소시킬 수 있는가?
• RQ4 예측 오차는 전기차의 장기적인 충전 중단과 같은 이상적인 가전기기 행동을 신뢰성 있게 탐지하는 데 사용될 수 있는가?
• RQ5 모델은 다양한 수준의 가전기기 집계에 대해 얼마나 잘 일반화되는가?

주요 결과

• 기본 모델을 사용할 경우 집계된 에어컨의 1시간 전 부하 예측 NRMSE는 0.109였지만, 두 가지 모델 개선 기법을 모두 적용한 결과 0.050으로 감소하였다.
• 가중치 MNLR 개선 기법은 특히 고열 부하 기간 동안 드물게 발생하는 장시간 ON 상태의 예측 정확도를 크게 향상시켰다.
• 상태별 MNLR 접근 방식은 ON 및 OFF 상태의 지속 시간 분포를 더 잘 근사화함으로써 예측 오차를 감소시켰다.
• 예측 오차 기반 이상 탐지 방법은 전기차에서 장기적인 충전 중단을 성공적으로 탐지하였으며, 테스트 데이터에서는 16.3일의 OFF 상태를 기록한 전기차가 있었고, 훈련 데이터에서는 평균 0.98일이었다.
• 대부분의 가전기기에서 낮은 평균 예측 오차를 기록하며 다양한 가전기기 유형과 집계 수준에서 우수한 성능을 보였다.
• 온도 및 시간대와 같은 외생 변수의 통합은 모델의 적응성과 예측 정확도를 향상시켰다.