[논문 리뷰] Day-ahead electricity price prediction applying hybrid models of LSTM-based deep learning methods and feature selection algorithms under consideration of market coupling

Wei Li, Denis Becker|arXiv (Cornell University)|2021. 01. 13.

Electric Power System Optimization인용 수 10

한 줄 요약

이 연구는 노르딕 전력시장에서의 당일 전기요금 예측 정확도를 향상시키기 위해 LSTM 네트워크와 워퍼 기반 특성 선택을 조합한 하이브리드 딥러닝 모델을 제안한다. 이는 상호연결된 시장 간의 영향을 고려한 복합 전력시장 결합을 반영한다. 이 방법은 특히 독일 시장에서 유래한 핵심 특성들을 식별함으로써 차원의 극복 문제를 완화하면서 예측 정확도를 크게 향상시킨다.

ABSTRACT

The availability of accurate day-ahead electricity price forecasts is pivotal for electricity market participants. In the context of trade liberalisation and market harmonisation in the European markets, accurate price forecasting becomes difficult for electricity market participants to obtain because electricity forecasting requires the consideration of features from ever-growing coupling markets. This study provides a method of exploring the influence of market coupling on electricity price prediction. We apply state-of-the-art long short-term memory (LSTM) deep neural networks combined with feature selection algorithms for electricity price prediction under the consideration of market coupling. LSTM models have a good performance in handling nonlinear and complex problems and processing time series data. In our empirical study of the Nordic market, the proposed models obtain considerably accurate results. The results show that feature selection is essential to achieving accurate prediction, and features from integrated markets have an impact on prediction. The feature importance analysis implies that the German market has a salient role in the price generation of Nord Pool.

연구 동기 및 목표

• 점점 통합되는 유럽 전력시장에서 정확한 당일 전기요금 예측의 과제를 해결한다.
• 특히 통합된 시장들 간의 국경을 초월한 영향을 고려할 때, 전력시장 결합이 가격 역학에 미치는 영향을 조사한다.
• 고차원 입력 데이터에 대해 고급 특성 선택을 적용함으로써 LSTM 모델의 차원의 극복 문제를 극복한다.
• 특히 독일 시장과 같은 상호연결된 시장들로부터 가장 관련성이 높은 특성들을 식별함으로써 예측 성능을 향상시킨다.
• 하이브리드 LSTM 및 워퍼 기반 특성 선택의 효과성을 입증하여 노르드풀 전기요금 예측 정확도 향상에 기여한다.

제안 방법

• 전기요금 시계열 데이터의 시간적 의존성을 모델링하기 위해 장기적 단기 기억(LSTM) 네트워크를 활용한다.
• 유전 알고리즘을 사용한 두 단계의 워퍼 기반 특성 선택 알고리즘을 통합하여 최적의 입력 특성 조합을 식별한다.
• 독일, 프랑스, 네덜란드 등 여러 상호연결된 시장의 특성을 포함하여 국경을 초월한 가격 전이 현상을 파악한다.
• 모델 평가를 위해 평균 절대편차(MAD), 평균 제곱근 오차(RMSE), 대칭 평균 절대 퍼센티지 오차(SMAPE)와 같은 통계적 지표를 사용한다.
• 특성 선택이 LSTM 학습 이전에 이루어지는 하이브리드 모델 아키텍처를 적용하여 과적합을 줄이고 일반화 능력을 향상시킨다.
• 유전 알고리즘을 활용해 특성 조합을 반복적으로 진화시키며, LSTM 예측 성능을 기준으로 적합도를 평가하여 최적의 입력으로 수렴한다.

Figure 1 : Overview of the Nord Pool market coupling.

실험 결과

연구 질문

• RQ1 유럽 전력시장 간의 시장 결합은 당일 전기요금 예측 정확도에 어떤 영향을 미치는가?
• RQ2 통합된 시장들에서 유래한 특성 중에서 노르드풀 전기요금 예측에 가장 영향을 미치는 것은 무엇인가?
• RQ3 특성 선택이 LSTM 기반 전기요금 예측 모델의 성능 향상에 얼마나 기여하는가?
• RQ4 국경을 초월한 시장 데이터(예: 독일에서의 데이터)를 포함할 경우, 지역 시장 데이터만 사용할 경우에 비해 예측 정확도는 어떻게 변화하는가?
• RQ5 기본 모델에 특성 선택 기능이 없이 비교할 때, 제안된 하이브리드 LSTM-특성 선택 모델의 상대적 성능은 어떠한가?

주요 결과

• 워퍼 기반 특성 선택을 통한 제안된 하이브리드 LSTM 모델은 평균 절대 퍼센티지 오차(MAPE) 6.79%를 기록하여 특성 선택이 없는 모델보다 유의미하게 뛰어난 성능을 보였다.
• 모델의 평균 절대편차(MAD)는 2.67%로, 테스트 기간 동안 가격 예측의 높은 정밀도를 나타냈다.
• 특성 중요도 분석 결과, 독일 전기요금 시장이 노르드풀 가격 형성에 지배적인 영향을 미치며, 국경을 초월한 가격 전이 과정에서 핵심적인 역할을 한다는 점이 확인되었다.
• 통합된 시장들에서 유래한 특성들을 포함시킴으로써 모델 성능이 향상되었으며, 이는 시장 결합의 역학이 정확한 예측에 필수적임을 확인한다.
• 워퍼 기반 특성 선택 방법은 모델의 복잡도를 효과적으로 줄였고 과적합을 완화시켜 더 견고하고 일반화 능력이 뛰어난 예측을 가능하게 하였다.
• 모든 평가된 모델 중에서 M5(LSTM에 워퍼 기반 특성 선택 적용)가 가장 낮은 RMSE(3.33%)와 SMAPE(6.87%)를 기록하여 종합적으로 뛰어난 성능을 보였다.

Figure 2 : The electricity cross-border transmission from the coupling countries to Nord Pool.