[논문 리뷰] Hour-Ahead Load Forecasting Using AMI Data

Sarwan Ali, Haris Mansoor외 4명|arXiv (Cornell University)|2019. 12. 28.

Energy Load and Power Forecasting인용 수 2

한 줄 요약

이 논문은 인구통계학적 또는 행동 정보 없이 스마트 미터 및 기상 데이터만을 사용하여 개인 가구 수준에서 시간 단위 전력 수요 예측을 위한 새로운 방법인 행렬 분해를 통한 예측(Forecasting using Matrix Factorization, FMF)을 제안한다. FMF는 최신 기술 수준의 방법들을 크게 앞서며, 회귀 트리 대비 최대 26.5% 낮은 RMSE와 LSTM 네트워크 대비 최대 73.2% 낮은 MAPE를 기록한다.

ABSTRACT

Accurate short-term load forecasting is essential for efficient operation of the power sector. Predicting load at a fine granularity such as individual households or buildings is challenging due to higher volatility and uncertainty in the load. In aggregate loads such as at grids level, the inherent stochasticity and fluctuations are averaged-out, the problem becomes substantially easier. We propose an approach for short-term load forecasting at individual consumers (households) level, called Forecasting using Matrix Factorization (FMF). FMF does not use any consumers' demographic or activity patterns information. Therefore, it can be applied to any locality with the readily available smart meters and weather data. We perform extensive experiments on three benchmark datasets and demonstrate that FMF significantly outperforms the computationally expensive state-of-the-art methods for this problem. We achieve up to 26.5% and 24.4 % improvement in RMSE over Regression Tree and Support Vector Machine, respectively and up to 36% and 73.2% improvement in MAPE over Random Forest and Long Short-Term Memory neural network, respectively.

연구 동기 및 목표

• 높은 변동성과 불확실성을 지닌 개인 가구 수준에서의 정확한 단기 전력 수요 예측 문제를 해결하기 위해.
• 인구통계학적 또는 활동 패턴 데이터에 의존하지 않는 방법을 개발하여 다양한 지역에 광범위하게 적용 가능하도록 하기 위해.
• 사용 가능한 스마트 미터 및 기상 데이터를 활용하여 가정 수준의 예측 정확도를 향상시키기 위해.
• RMSE 및 MAPE 지표에서 기존의 계산 비용이 높은 최신 기술 수준의 방법들을 뛰어넘는 성능을 달성하기 위해.

제안 방법

• FMF는 가정 전력 수요 데이터의 시간적 및 공간적 패턴을 모델링하기 위해 행렬 분해를 활용하며, 전력 수요 행렬을 저질서 수분으로 분해한다.
• 이 방법은 희소하거나 노이즈가 많은 데이터 상황에서도 가정 간 및 시간 간 잠재적 상관관계를 포착하는 공동 필터링 접근법을 사용한다.
• 기상 데이터를 외부 공변량으로 통합하여 시간 예측 정확도를 향상시킨다.
• 모델은 소비자별 메타데이터가 추가로 필요 없이 이전의 스마트 미터 기록 및 기상 관측 데이터를 기반으로 종합적으로 훈련된다.
• 정규화된 목적 함수를 통해 적합성 정확도와 일반화 능력의 균형을 맞추며, RMSE 및 MAPE 모두 최적화한다.
• 이 방법은 계산적으로 효율적이므로 대규모 환경에서 실시간 또는 근접 실시간 예측이 가능하다.

실험 결과

연구 질문

• RQ1 인구통계학적 또는 행동 정보에 의존하지 않고도 행렬 분해가 세밀한 가정 수요 패턴을 효과적으로 모델링할 수 있는가?
• RQ2 FMF는 시간 단위 전력 수요 예측에서 회귀 트리, SVM, 랜덤 포레스트, LSTM 네트워크와 같은 최신 기술 수준의 방법들과 비교해 정확도가 얼마나 뛰어나게 되는가?
• RQ3 기상 데이터를 통합함으로써 FMF 프레임워크 내에서 예측 성능 향상은 어느 정도 이루어지는가?
• RQ4 FMF는 다양한 가정 수요 특성을 지닌 다양한 데이터셋에 대해 확장 가능하고 강건한가?

주요 결과

• FMF는 기준 데이터셋에서 회귀 트리 모델 대비 최대 26.5% 낮은 RMSE를 기록한다.
• FMF는 서포트 벡터 머신 기준선 대비 최대 24.4% 낮은 RMSE를 달성한다.
• FMF는 랜덤 포레스트 모델 대비 MAPE에서 36% 향상된 성능을 보인다.
• FMF는 장기 단기 기억(LSTM) 신경망 대비 MAPE에서 73.2% 향상된 성능을 기록한다.
• 모든 기준 데이터셋에서 모든 기준 모델들을 일관되게 뛰어넘어 강건성과 일반화 능력을 입증한다.
• 인구통계학적 또는 활동 데이터가 없더라도 성능 저하가 발생하지 않아, 이 방법의 광범위한 적용 가능성을 확인한다.