[논문 리뷰] Energy Forecasting in Smart Grid Systems: A Review of the State-of-the-art Techniques

Devinder Kaur, Shama Naz Islam외 3명|arXiv (Cornell University)|2020. 11. 25.

Energy Load and Power Forecasting참고 문헌 110인용 수 17

한 줄 요약

이 논문은 스마트 그리드에서 최신 에너지 예측 기법을 검토하며, 불확실성 정량화를 위한 확률적 딥러닝(PDL)에 중점을 둔다. Bayesian Bidirectional Long Short-Term Memory(BLSTM) 네트워크가 전통적 방법보다 정확도와 불확실성 추정에서 뛰어나지만, 계산 시간이 더 오래 걸린다는 점을 입증한다.

ABSTRACT

Energy forecasting has a vital role to play in smart grid (SG) systems involving various applications such as demand-side management, load shedding, and optimum dispatch. Managing efficient forecasting while ensuring the least possible prediction error is one of the main challenges posed in the grid today, considering the uncertainty and granularity in SG data. This paper presents a comprehensive and application-oriented review of state-of-the-art forecasting methods for SG systems along with recent developments in probabilistic deep learning (PDL) considering different models and architectures. Traditional point forecasting methods including statistical, machine learning (ML), and deep learning (DL) are extensively investigated in terms of their applicability to energy forecasting. In addition, the significance of hybrid and data pre-processing techniques to support forecasting performance is also studied. A comparative case study using the Victorian electricity consumption and American electric power (AEP) datasets is conducted to analyze the performance of point and probabilistic forecasting methods. The analysis demonstrates higher accuracy of the long-short term memory (LSTM) models with appropriate hyper-parameter tuning among point forecasting methods especially when sample sizes are larger and involve nonlinear patterns with long sequences. Furthermore, Bayesian bidirectional LSTM (BLSTM) as a probabilistic method exhibit the highest accuracy in terms of least pinball score and root mean square error (RMSE).

연구 동기 및 목표

• 스마트 그룹 시스템 내 고전적 및 고급 에너지 예측 방법에 대한 통합적 검토를 제공하기 위해.
• 에너지 데이터의 불확실성을 다루는 데 있어 확률적 딥러닝(PDL)의 효과성을 조사하기 위해.
• 예측 정확도와 계산 효율성 측면에서 결정론적 딥러닝, 통계적 및 기계학습 방법을 비교하기 위해.
• 차원 축소 및 특징 추출과 같은 데이터 전처리 기법이 예측 성능에 미치는 영향을 평가하기 위해.
• 확률적 예측 모델에서 계산 비용과 예측 정확도 사이의 트레이드오프를 규명하기 위해.

제안 방법

• 연구는 에너지 예측을 위해 전통적 통계 방법(예: ARIMA), 기계학습(예: SVR), 딥러닝(예: RNN, LSTM)을 평가한다.
• 확률적 딥러닝은 예측 불확실성 정량화를 위해 베이지안 신경망(BNN)과 베이지안 BLSTM을 사용하여 구현된다.
• 딥러닝 모델 성능을 최적화하기 위해 하이퍼파ram터 튜닝 및 활성화 함수 선택이 적용된다.
• 차원 축소 및 입력 품질 향상을 위해 로그 변환, 주성분 분석(PCA), 오토에인코더와 같은 데이터 전처리 기법이 사용된다.
• 예측 성능 평가를 위해 빅토리아 전기 소비 데이터와 미국 전기회사(AEP) 데이터셋을 사용한 비교 사례 연구가 수행된다.
• 예측 구간(PIs)은 베이지안 BLSTM을 통해 생성되어 불확실성 추정이 가능하며, 성능 평가에는 핀볼 및 윙클러 스코어가 사용된다.

실험 결과

연구 질문

• RQ1 결정론적 딥러닝 모델은 에너지 예측 정확도 측면에서 통계적 및 기계학습 방법과 어떻게 비교되는가?
• RQ2 베이지안 BLSTM와 같은 확률적 딥러닝 방법은 에너지 예측의 불확실성 정량화를 어느 정도 향상시킬 수 있는가?
• RQ3 차원 축소 및 특징 추출과 같은 데이터 전처리 기법은 예측 성능에 어떤 영향을 미치는가?
• RQ4 모델 복잡도와 계산 비용 트레이드오프는 확률적 예측 모델의 실용적 구현에 어떻게 영향을 미치는가?
• RQ5 다양한 데이터 특성에서 가장 낮은 예측 오차와 가장 신뢰할 수 있는 예측 구간을 제공하는 예측 방법은 무엇인가?

주요 결과

• 적절한 하이퍼파ram터 튜닝이 이루어진 LSTM을 포함한 딥러닝 모델은 빅토리아 및 AEP 데이터셋 양쪽에서 가장 낮은 예측 오차를 기록한다.
• 베이지안 BLSTM는 모든 다른 방법보다 확률적 예측에서 뛰어나며, 가장 낮은 핀볼 스코어와 윙클러 스코어를 기록하여 정확도와 불확실성 정량화 측면에서 뛰어난 성능을 보인다.
• 빅토리아 데이터셋은 AEP 데이터셋보다 변동성이 더 크기 때문에, 베이지안 BLSTM가 생성한 예측 구간(PIs)은 빅토리아 데이터셋에서 더 넓어지며, 이는 정확한 불확실성 모델링을 반영한다.
• 특히 베이지안 BLSTM를 포함한 확률적 딥러닝 방법의 실행 시간은 결정론적 방법보다 현저히 길어, 정확도와 계산 비용 사이의 트레이드오프를 보여준다.
• 비선형 패턴을 포함한 더 큰 데이터셋에서는 적절한 튜닝이 이루어진 딥러닝 방법이 고전적 통계 및 기계학습 모델을 일관되게 능가한다.
• 로그 변환은 비정상적이고 변동성이 큰 데이터셋, 예를 들어 빅토리아 에너지 소비 데이터와 같은 경우에 모델 성능을 향상시킨다.