[논문 리뷰] Experimental Investigation of Variational Mode Decomposition and Deep Learning for Short-Term Multi-horizon Residential Electric Load Forecasting

Mohamed Aymane Ahajjam, Daniel Bonilla Licea외 2명|arXiv (Cornell University)|2022. 02. 01.

Energy Load and Power Forecasting인용 수 5

한 줄 요약

이 논문은 변동성 모드 분해(Variational Mode Decomposition, VMD)를 통해 주거용 부하 데이터를 분해하고, 네 수준의 웨이블릿 분해 네트워크(mWDN)를 사용하여 다중 시간 간격 전기 소비를 예측하는 하이브리드 VMD-mWDN 모델을 제안한다. 이 방법은 최적의 성능을 K=127의 VMD 분해 수준과 I=4의 mWDN 수준에서 달성하며, 모로코 가정용 데이터에서 최신 기술 모델과 기준 지속성 방법을 능가한다.

ABSTRACT

With the booming growth of advanced digital technologies, it has become possible for users as well as distributors of energy to obtain detailed and timely information about the electricity consumption of households. These technologies can also be used to forecast the household's electricity consumption (a.k.a. the load). In this paper, we investigate the use of Variational Mode Decomposition and deep learning techniques to improve the accuracy of the load forecasting problem. Although this problem has been studied in the literature, selecting an appropriate decomposition level and a deep learning technique providing better forecasting performance have garnered comparatively less attention. This study bridges this gap by studying the effect of six decomposition levels and five distinct deep learning networks. The raw load profiles are first decomposed into intrinsic mode functions using the Variational Mode Decomposition in order to mitigate their non-stationary aspect. Then, day, hour, and past electricity consumption data are fed as a three-dimensional input sequence to a four-level Wavelet Decomposition Network model. Finally, the forecast sequences related to the different intrinsic mode functions are combined to form the aggregate forecast sequence. The proposed method was assessed using load profiles of five Moroccan households from the Moroccan buildings' electricity consumption dataset (MORED) and was benchmarked against state-of-the-art time-series models and a baseline persistence model.

연구 동기 및 목표

• 외부 변수 없이 신호 분해와 딥러닝을 활용하여 단기 다중 시간 간격 주거용 전기 부하 예측 정확도를 향상시키는 것.
• 외부 변수가 없는 조건에서 VMD 분해 수준을 다양하게 조절했을 때 예측 성능에 미치는 영향을 조사하는 것.
• 새로운 mWDN 모델을 포함한 다양한 딥러닝 아키텍처를 평가하고 벤치마킹하는 것.
• 실제 모로코 가정용 데이터를 바탕으로 제안된 하이브리드 접근법을 최신 시계열 모델과 지속성 기준 모델과 비교 평가하는 것.
• 주거용 스마트 그리드에서 온라인 부하 예측을 위한 실용적이고 계산적으로 구현 가능한 프레임워크를 제공하는 것.

제안 방법

• 비정상성을 줄이기 위해 원시 주거용 부하 프로파일을 변동성 모드 분해(Variational Mode Decomposition, VMD)를 사용해 내재 모드 함수(IMFs)로 분해한다.
• 분해된 IMFs는 일, 시간, 과거 소비를 포함한 3차원 입력 시퀀스로 mWDN에 입력되어 다중 해상도 패턴을 추출한다.
• mWDN 모델은 각 IMF에 대해 웨이블릿 기반 분해를 수행하여 다중 척도에서 계층적인 시간 특징을 캡처한다.
• 개별 IMFs의 예측 시퀀스가 재결합되어 최종 집계 부하 예측을 형성한다.
• 모델은 외부 변수 없이 MORED 데이터셋의 다섯 가지 다양한 모로코 가정의 데이터를 사용하여 훈련 및 평가된다.
• 동일한 조건에서 과거 평균, 지속성 모델, 최신 기술 딥러닝 모델과의 성능 비교를 수행한다.

실험 결과

연구 질문

• RQ1 외부 변수가 없는 주거용 부하 프로파일의 예측 정확도를 최대화하기 위해 최적의 VMD 분해 수준(K)은 무엇인가?
• RQ2 제안된 VMD-mWDN 하이브리드 모델은 단독 VMD, 단독 mWDN, 기타 최신 기술 모델과 비교해 성능가 어떻게 다른가?
• RQ3 VMD와 mWDN의 통합이 다양한 가정 유형과 소비 패턴에서 예측 정확도 향상에 기여하는가?
• RQ4 다양한 가정과 시나리오에서 분해 수준(K)의 변화가 제안된 모델의 예측 성능에 미치는 영향는 어떠한가?
• RQ5 제안된 방법은 실시간으로 적용 가능하며, 온라인 주거용 부하 예측을 위한 타당한 계산 오버헤드를 갖는가?

주요 결과

• 제안된 VMD-mWDN 모델은 평가된 모든 모델 중에서 가장 높은 예측 정확도를 달성했으며, 지속성 기준 모델과 최신 기술 모델을 크게 능가했다.
• 모든 다섯 개의 모로코 가정과 테스트된 모든 딥러닝 아키텍처에서 K=127의 VMD 분해 수준에서 일관되게 최고의 예측 성능가 나타났다.
• VMD의 영향은 뚜렷했으며, VMD-mWDN 하이브리드 모델은 단독 VMD 및 단독 mWDN 모델보다 모두 뛰어난 성능을 보였다.
• 분해 수준 K의 영향은 비선형적이었으며, K≥8일 때 성능 향상이 눈에 띄었고, 최적의 성능 향상은 K=127에서 관찰되었다.
• 네 수준(I=4)의 mWDN 모델이 분해된 부하 시퀀스에서 다중 해상도 패턴 학습을 위한 최적의 특징 추출 능력을 제공했다.
• 시스템은 실시간 구현에 계산적으로 타당했으며, 30분 예측 주기 동안 저비용 하드웨어에서 VMD 분해, 전처리 및 추론에 충분한 시간을 확보할 수 있었다.