[논문 리뷰] Household Electricity Demand Forecasting -- Benchmarking State-of-the-Art Methods

Andreas Veit, Christoph Goebel외 3명|arXiv (Cornell University)|2014. 04. 01.

Energy Load and Power Forecasting인용 수 16

한 줄 요약

이 논문은 두 개의 고해상도 데이터셋을 사용하여 주택 전기 수요에 대해 최신 예측 방법—ARIMA, 지수평활법, 신경망—을 벤치마킹한다. 15분에서 24시간의 예측 기간 동안 슬라이딩 윈도우 및 일일 유형 그룹화 전략 등을 평가한다. 고도로 발전된 방법들임에도 불구하고 지속성 예측이 종종 그들을 능가하며, MAPE는 5%에서 100% 이상에 이르며, 단기 주택 부하 예측 분야에 여전히 큰 개선 여지가 있음을 시사한다.

ABSTRACT

The increasing use of renewable energy sources with variable output, such as solar photovoltaic and wind power generation, calls for Smart Grids that effectively manage flexible loads and energy storage. The ability to forecast consumption at different locations in distribution systems will be a key capability of Smart Grids. The goal of this paper is to benchmark state-of-the-art methods for forecasting electricity demand on the household level across different granularities and time scales in an explorative way, thereby revealing potential shortcomings and find promising directions for future research in this area. We apply a number of forecasting methods including ARIMA, neural networks, and exponential smoothening using several strategies for training data selection, in particular day type and sliding window based strategies. We consider forecasting horizons ranging between 15 minutes and 24 hours. Our evaluation is based on two data sets containing the power usage of individual appliances at second time granularity collected over the course of several months. The results indicate that forecasting accuracy varies significantly depending on the choice of forecasting methods/strategy and the parameter configuration. Measured by the Mean Absolute Percentage Error (MAPE), the considered state-of-the-art forecasting methods rarely beat corresponding persistence forecasts. Overall, we observed MAPEs in the range between 5 and >100%. The average MAPE for the first data set was ~30%, while it was ~85% for the other data set. These results show big room for improvement. Based on the identified trends and experiences from our experiments, we contribute a detailed discussion of promising future research.

연구 동기 및 목표

• 다양한 시간 해상도와 예측 기간에서 단기 주택 전기 수요 예측을 위한 최신 예측 방법을 평가하고 비교하는 것.
• 실제 주택 소비 데이터에 적용했을 때 기존 예측 기법의 성능 저하 원인을 규명하는 것.
• 분리된 가전기 수준의 데이터 또는 맞춤형 학습 전략(예: 일일 유형 그룹화)이 예측 정확도를 향상시키는지 탐색하는 것.
• 개별적으로 주택 특성에 최적화되지 않은 채로 ARIMA 및 신경망과 같은 고급 모델이 단기 주택 부하 예측에서 어느 정도 성능을 내는지 평가하는 것.
• 향후 연구를 이끄는 데 도움이 되는 잠재적 방향, 예를 들어 이벤트 기반 모델링 및 센서 융합 기법을 식별하여 예측 정밀도 향상에 기여하는 것.

제안 방법

• 초당 해상도의 주택 전력 데이터에 대해 단변량 시계열 예측 방법을 적용: ARIMA, 지수평활법, 피드포워드 신경망.
• 세 가지 학습 데이터 선택 전략 평가: 슬라이딩 윈도우, 일일 유형(예: 평일 대비 주말), 계층적 일일 유형(예: 평일 오전, 저녁).
• 예측 정확도를 비교하기 위해 주로 MAPE(Mean Absolute Percentage Error)를 사용하며, 시간 해상도(15분에서 60분)와 예측 기간(15분에서 24시간)을 모두 고려한다.
• 두 개의 실세계 데이터셋을 활용: 기술대학교 뮌헨(Technische Universität München, TUM)에서 확보한 데이터셋과 MIT에서 확보한 데이터셋으로, 모두 고해상도 가전기 수준의 전력 측정치를 포함한다.
• 점유도, 온도, 밝기 센서에서 유도된 특징 공학 및 기기의 케이스/오프 전환을 탐지하는 이벤트 검출 기법을 포함한 데이터 전처리의 영향 탐색.
• 지속적인 웨트티지 측정치에 의존하는 것 외에, 이산적인 가전기 이벤트(예: 기기 케이스/오프)에서 소비 패턴을 예측하기 위해 마르코프 모델을 활용한 이벤트 기반 모델링의 잠재력 탐구.

실험 결과

연구 질문

• RQ1 ARIMA, 지수평활법, 신경망은 시간 해상도와 예측 기간에 따라 주택 전기 수요 예측에서 어떻게 비교되는가?
• RQ2 일일 유형(예: 평일 vs. 주말)으로 학습 데이터를 분할하면 일반적인 슬라이딩 윈도우 전략보다 예측 정확도가 향상되는가?
• RQ3 분리된 가전기 수준의 데이터는 집합된 주택 수준의 데이터보다 더 정확한 예측을 가능하게 하는가?
• RQ4 단기 주택 부하 예측에서 고급 모델이 단순 지속성 예측을 얼마나 뛰어넘는가?
• RQ5 추가적인 맥락적 특징(예: 점유도, 온도)과 이벤트 탐지 기법은 예측 성능 향상에 어떤 역할을 하는가?

주요 결과

• 지속성 예측이 안정적이고 장기간 소비 패턴을 보이는 주택에서는 대부분의 고급 방법보다 뛰어난 성능을 보인다.
• TUM 데이터셋의 평균 MAPE는 약 30%였고, MIT 데이터셋은 평균 MAPE가 85%로 나타나 주택 간 수요 예측 가능성의 높은 변동성을 시사한다.
• 예측 정확도는 주택, 방법, 설정에 따라 크게 달라지며, MAPE는 5%에서 100% 이상까지 변동한다.
• 일일 유형으로 학습 데이터를 분할하는 것이 대부분의 예측 방법에서 성능 향상에 기여하여, 시간 패턴의 분할이 예측 성능을 향상시킨다는 점을 시사한다.
• 분리된 가전기 수준의 데이터를 사용할 경우 집합된 주택 수준의 데이터보다 더 정확한 예측이 가능했으며, 특히 예측 가능한 케이스/오프 주기의 기기에서 두드러진다.
• 향후 향상 가능성은 지속적인 전력 읽기 외에 맥락 센서 데이터(예: 점유도, 온도) 융합 및 이산적 이벤트(예: 가전기 전환) 모델링을 통합함으로써 달성될 가능성이 높다.