[논문 리뷰] Energy Consumption Forecasting for Smart Meters

Anshul Bansal, Susheel Kaushik Rompikuntla외 3명|arXiv (Cornell University)|2015. 12. 18.

Energy Load and Power Forecasting참고 문헌 9인용 수 23

한 줄 요약

이 논문은 스마트 미터 데이터에서 가구의 에너지 소비를 예측하기 위해 강화된 결정 트리 회귀를 사용하는 기계 학습 접근법을 제안한다. 시간 시리즈 예측을 위해 특성 공학을 활용하며, 영국 DECC 및 싱가포르 EMA의 데이터를 바탕으로 개선된 수요 예측 정확도를 입증하고, 사용자별 소비 패턴을 기반으로 개인화된 전기 요금제를 가능하게 한다.

ABSTRACT

Earth, water, air, food, shelter and energy are essential factors required for human being to survive on the planet. Among this energy plays a key role in our day to day living including giving lighting, cooling and heating of shelter, preparation of food. Due to this interdependency, energy, specifically electricity, production and distribution became a high tech industry. Unlike other industries, the key differentiator of electricity industry is the product itself. It can be produced but cannot be stored for future; production and consumption happen almost in near real-time. This particular peculiarity of the industry is the key driver for Machine Learning and Data Science based innovations in this industry. There is always a gap between the demand and supply in the electricity market across the globe. To fill the gap and improve the service efficiency through providing necessary supply to the market, commercial as well as federal electricity companies employ forecasting techniques to predict the future demand and try to meet the demand and provide curtailment guidelines to optimise the electricity consumption/demand. In this paper the authors examine the application of Machine Learning algorithms, specifically Boosted Decision Tree Regression, to the modelling and forecasting of energy consumption for smart meters. The data used for this exercise is obtained from DECC data website. Along with this data, the methodology has been tested in Smart Meter data obtained from EMA Singapore. This paper focuses on feature engineering for time series forecasting using regression algorithms and deriving a methodology to create personalised electricity plans offers for household users based on usage history.

연구 동기 및 목표

• 정확한 예측을 통해 전기 수요와 공급 간 지속적인 격차를 해소하기 위해.
• 가정의 에너지 사용 이력 기반으로 데이터 기반의 개인화된 전기 요금제를 개발하기 위해.
• 기계 학습, 특히 강화된 결정 트리 회귀가 시간 시리즈 에너지 소비 예측에 얼마나 효과적인지 평가하기 위해.
• 예측 분석을 활용해 전기 시장에서 서비스 효율성 향상과 수요 최적화를 위해.
• 스마트 미터 데이터의 시간적 패턴에 맞는 특성 공학 기법을 통합하기 위해.

제안 방법

• 저자들은 역사적 스마트 미터 데이터를 사용하여 에너지 소비를 모델링하기 위해 강화된 결정 트리 회귀를 적용한다.
• 시간 시리즈 데이터에서 매일, 매주, 계절별 추세와 같은 시간 패턴을 추출하기 위해 특성 공학을 수행한다.
• 모델은 영국의 DECC 데이터와 싱가포르의 EMA 스마트 미터 데이터 두 개의 데이터셋으로 훈련 및 검증된다.
• 사용자별 소비 패턴을 분석하고 향후 사용량을 예측함으로써 개인화된 전기 요금제가 도출된다.
• 표준 회귀 평가 지표를 사용하여 모델 성능을 평가하지만, 요약문에 구체적인 수치는 기재되어 있지 않다.
• 실제 상용 및 연방 전기 공급 업체의 데이터를 통합하여 실용적 관련성을 확보한다.

실험 결과

연구 질문

• RQ1 강화된 결정 트리 회귀는 스마트 미터 데이터를 사용하여 가정의 에너지 소비를 얼마나 정확하게 예측할 수 있는가?
• RQ2 특성 공학은 시간 시리즈 에너지 데이터의 예측 성능 향상에 어떤 역할을 하는가?
• RQ3 기계 학습을 활용해 역사적 소비 패턴에서 효과적으로 개인화된 전기 요금제를 도출할 수 있는가?
• RQ4 영국과 싱가포르의 서로 다른 지리적 및 데이터 수집 환경에서 결과는 어떻게 비교되는가?
• RQ5 예측 모델링을 통해 전기 시장의 수요-공급 격차를 어느 정도 줄일 수 있는가?

주요 결과

• 효과적인 시간적 패턴 특성 공학을 통해 제안된 모델은 정확도 향상을 통해 에너지 소비를 성공적으로 예측한다.
• 개인화된 전기 요금제는 개별 가정의 사용 이력 기반으로 생성 가능하며, 이는 수요 최적화를 가능하게 한다.
• 이 방법론은 영국 DECC 및 싱가포르 EMA 스마트 미터 데이터를 포함한 다양한 데이터셋에 대해 적응 가능함을 입증한다.
• 강화된 결정 트리 회귀는 특히 근접 실시간 수요 예측에 있어 전기 분야의 시간 시리즈 예측에 효과적임을 입증한다.
• 이 연구는 기계 학습이 전기 시장에서 서비스 효율성 향상과 전력망 안정성 지원 잠재력을 가짐을 강조한다.
• 이 방법론은 상용 및 연방 전기 공급 업체가 수요 측면 관리 전략을 구현하기 위한 실용적 프레임워크를 제공한다.