[논문 리뷰] Electrical peak demand forecasting- A review

Shuang Dai, Fanlin Meng외 3명|arXiv (Cornell University)|2021. 08. 03.

Energy Load and Power Forecasting참고 문헌 155인용 수 4

한 줄 요약

이 논문은 전기 피크 수요 예측 방법에 대한 종합적인 리뷰를 제시하며, 139篇의 연구를 세 개의 발전 단계로 분류하고 기계 학습, 딥 러닝, 군집화 기법 등을 분석한다. 주요 과제로 데이터 프라이버시와 모델 해석 가능성 문제를 지적하고 스마트 그라이드에서의 예측 정확도 향상을 위해 피어드 학습과 도메인 지식 통합을 주장한다.

ABSTRACT

The power system is undergoing rapid evolution with the roll-out of advanced metering infrastructure and local energy applications (e.g. electric vehicles) as well as the increasing penetration of intermittent renewable energy at both transmission and distribution level, which characterizes the peak load demand with stronger randomness and less predictability and therefore poses a threat to the power grid security. Since storing large quantities of electricity to satisfy load demand is neither economically nor environmentally friendly, effective peak demand management strategies and reliable peak load forecast methods become essential for optimizing the power system operations. To this end, this paper provides a timely and comprehensive overview of peak load demand forecast methods in the literature. To our best knowledge, this is the first comprehensive review on such topic. In this paper we first give a precise and unified problem definition of peak load demand forecast. Second, 139 papers on peak load forecast methods were systematically reviewed where methods were classified into different stages based on the timeline. Thirdly, a comparative analysis of peak load forecast methods are summarized and different optimizing methods to improve the forecast performance are discussed. The paper ends with a comprehensive summary of the reviewed papers and a discussion of potential future research directions.

연구 동기 및 목표

• 현대 전력 시스템에서 피크 부하 수요 예측을 위한 통합적이고 정밀한 문제 정의를 제공하기 위해.
• 연대기적 발전 단계별로 정리된 139편의 동료 심사된 논문을 체계적으로 리뷰하기 위해.
• 기존 통계적 모델과 현대 기계 학습 접근 방식을 포함한 다양한 예측 모델의 성능을 비교하기 위해.
• 데이터 프라이버시, 모델 해석 가능성, 극단적 기상 현상이 예측 정확도에 미치는 영향과 같은 주요 과제를 특정하기 위해.
• 피어드 학습과 예측 프레임워크 내 도메인 지식 통합을 포함한 향후 연구 방향을 제안하기 위해.

제안 방법

• 저자는 피크 부하 예측에 관한 139편의 논문을 체계적으로 문헌 리뷰하였으며, 역사적 발전 단계(고전적, 고도화된, 현대적)로 분류하였다.
• 데이터 유형(예: 시계열, 기상, 경제)과 모델 아키텍처(예: ARIMA, SVM, LSTM, XGBoost) 기반으로 예측 기법을 분류하였다.
• 예측 정확도 향상을 위한 기법으로 군집화, 특징 공학, 하이브리드 모델링을 평가하였다.
• 고해상도 스마트 미터 데이터의 역할과 다중 소스 데이터 통합에서 프라이버시 보존 기법(예: 피어드 학습)의 필요성을 강조하였다.
• 도메인 지식은 특히 지역(예: 공동체 수준)에서 군집 기반 부하 패턴을 해석하는 데 핵심적임을 밝혀내었다.
• 계통 운영자, 유통업체, 최종 소비자 등 이해관계자 관점의 통합을 통해 실제 운영 수요에 부합하는 예측 목표를 설정하였다.

실험 결과

연구 질문

• RQ1 피크 부하 수요에 영향을 주는 주요 요인는 무엇이며, 이러한 요소들은 예측 프레임워크 내에서 일관되게 정의될 수 있는가?
• RQ2 피크 부하 예측 기법은 시간이 지남에 따라 어떻게 발전해왔으며, 고전적, 고도화된, 현대적 단계의 주요 차이는 무엇인가?
• RQ3 피크 부하 예측 정확도 향상에 가장 효과적인 기계 학습 및 딥 러닝 기법은 무엇인가?
• RQ4 극단적 기상 현상과 인간 행동은 예측 성능에 어떤 영향을 미치며, 특히 분해된(예: 공동체 수준) 분석에서 어떤 영향을 미치는가?
• RQ5 다중 조직 간 데이터 공유에서의 주요 과제는 무엇이며, 피어드 학습은 어떻게 안전한 예측을 지원할 수 있는가?

주요 결과

• 피크 부하 예측은 모든 전력 시장 이해관계자(전력망 운영자, 유통업체, 소비자 등)의 그리드 안정성 확보, 비용 절감, 수요 반응 전략 수립에 핵심적이다.
• 최고/최저 기온 및 습도와 같은 기상 변수의 통합은 극단적 기상 상황에서 특히 예측 정확도를 높인다.
• 군집 기반 방법은 유망하지만 의미 있는 해석을 위해서는 도메인 지식에 의존하는 경향이 있어, 맥락 정보의 보다 우수한 통합이 필요하다.
• 지역 수준(예: 공동체 또는 주거 지역)에서는 인간 행동이 더 높은 무작위성을 유도하여 집계된 지역 수준의 예측보다 분해된 수준의 예측이 더 어렵다.
• 여러 조직의 데이터를 통합할 경우 데이터 프라이버시 및 보안 문제가 주요 과제로 부상한다. 피어드 학습은 안전하고 프라이버시를 보존하는 모델 훈련을 위한 핵심적인 미래 방향으로 지목된다.
• 다양한 발전에도 불구하고, 어떤 한 모델도 모든 조건에서 다른 모델보다 항상 뛰어나지 못한다. 모델 선택은 데이터 품질, 해상도, 예측 기간 등을 고려한 맥락 기반 선택이 필요하다.