[논문 리뷰] Local Short Term Electricity Load Forecasting: Automatic Approaches

The-Hien Dang-Ha, Filippo Maria Bianchi외 1명|arXiv (Cornell University)|2017. 02. 26.

Energy Load and Power Forecasting참고 문헌 17인용 수 6

한 줄 요약

이 논문은 다섯 가지 모델을 사용하여 자동화되고 확장 가능한 국소적 단기 전력 수요 예측 방법을 제안한다. 수정된 이중 계절 Holt-Winters (modDSHW) 모델은 단지 세 달 간의 학습 데이터만으로도 저집약도 수요 데이터에서 뛰어난 성능을 보이며, 특히 연간 패턴과 온도는 매우 국소적인 수요에 대해 덜 중요하다는 점을 입증한다. 이는 스마트 그리드의 대규모 구현을 위한 안정적이고 낮은 데이터 요구량의 솔루션으로서 modDSHW의 타당성을 보여준다.

ABSTRACT

Short-Term Load Forecasting (STLF) is a fundamental component in the efficient management of power systems, which has been studied intensively over the past 50 years. The emerging development of smart grid technologies is posing new challenges as well as opportunities to STLF. Load data, collected at higher geographical granularity and frequency through thousands of smart meters, allows us to build a more accurate local load forecasting model, which is essential for local optimization of power load through demand side management. With this paper, we show how several existing approaches for STLF are not applicable on local load forecasting, either because of long training time, unstable optimization process, or sensitivity to hyper-parameters. Accordingly, we select five models suitable for local STFL, which can be trained on different time-series with limited intervention from the user. The experiment, which consists of 40 time-series collected at different locations and aggregation levels, revealed that yearly pattern and temperature information are only useful for high aggregation level STLF. On local STLF task, the modified version of double seasonal Holt-Winter proposed in this paper performs relatively well with only 3 months of training data, compared to more complex methods.

연구 동기 및 목표

• 스마트 그리드에서 수천 개의 국소 전력 수요 시계열에 대한 단기 수요 예측을 자동화하는 데 도전한다.
• 기존 모델의 한계 — 장기 학습 시간, 불안정한 최적화, 고감도 하이퍼파rameter 설정 — 을 국소적이고 저집약도 수요 데이터에 적용했을 때의 문제를 해결한다.
• 최소한의 인간 간섭을 필요로 하며 다양한 국소 수요 특성에 일반화 가능한 모델를 식별하고 개발한다.
• 다양한 집약 수준과 지리적 지역에서 온 40개의 시계열을 대상으로 성능을 평가하여 일반화 능력과 확장성을 분석한다.
• 장기 패턴과 온도 데이터가 국소적 수요 예측과 고집약도 수요 예측에서 각각 어떤 영향을 미치는지 규명한다.

제안 방법

• 자동화, 안정성, 낮은 하이퍼파rameter 민감도를 고려해 다섯 가지 모델 — avgARIMA, orgiDSHW, modDSHW, NARX-RF, TBATS, SemiPar — 을 선정한다.
• 계절 성분 추정 및 초기화 방식을 조정하여 안정성과 성능을 향상시킨 수정된 이중 계절 Holt-Winters (modDSHW) 모델을 도입한다.
• 복잡성을 줄이고 희소 데이터에서의 강건성을 높이기 위해 modDSHW에서 장기 및 연간 성분을 생략하고, 주내 및 일내 성분만 사용한다.
• 미국과 노르웨이의 40개 수요 시계열(집약 수준과 데이터 길이 2~4년)을 대상으로 모델을 학습한다.
• 24시간 예측 수준에서 중앙값 평균 절대 퍼센트 오차(MAPE)를 표준화된 평가 지표로 사용하여 모델 성능을 비교한다.
• 특히 대규모 배포를 고려할 때 학습 효율성을 평가하기 위해 단일 코어 CPU 시간 측정을 활용한다.

실험 결과

연구 질문

• RQ1 기존의 STLF 모델은 광범위한 하이퍼파rameter 조정 없이도 국소적 저집약도 전력 수요 예측에 효과적으로 적용될 수 있는가?
• RQ2 기존의 자동화된 모델 성능은 역사적 데이터가 제한된 상황에서 다양한 집약 수준에 따라 어떻게 달라지는가?
• RQ3 장기 계절 패턴과 온도 데이터가 매우 국소적인 수요 시계열에서 예측 정확도에 얼마나 기여하는가?
• RQ4 3개월 간의 데이터만으로도 수정된 이중 계절 Holt-Winters 모델이 더 복잡한 모델보다 국소 예측에서 뛰어난 성능을 낼 수 있는가?
• RQ5 수천 개의 국소 수요 지점에 대규모로 구현하기 위해 정확도, 자동화, 학습 효율성의 최적 균형을 이루는 모델은 무엇인가?

주요 결과

• 수정된 이중 계절 Holt-Winters (modDSHW) 모델은 단지 세 달 간의 학습 데이터만으로도 국소 수요 예측에서 뛰어난 성능을 보이며, 저집약도 설정에서 더 복잡한 모델들을 능가한다.
• 저집약도 데이터셋인 Hvaler에서 modDSHW는 온도나 장기 성분을 사용하지 않음에도 불구하고 10시간 이상의 예측 수준에서 SemiPar를 크게 앞선다.
• 매우 국소적인 수요(수백 kWh 이하)에서는 온도와 연간 패턴이 예측 정확도에 미치는 기여가 미미하여 이러한 경우에 중요하지 않다.
• NARX-RF 모델은 고집약도 및 저집약도 데이터셋 모두에서 일관되게 우수한 성능을 보였지만, 다른 모델보다 10배 이상 긴 학습 시간이 소요된다.
• SemiPar는 고집약도 데이터(GEFCom2012)에서 모든 계절 패턴과 온도 영향을 모델링할 수 있어 최고의 성능을 보였지만, 노이즈가 많고 저집약도 데이터(Hvaler)에서는 성능이 저하된다.
• TBATS 모델은 두 데이터셋 모두에서 성능이 열악하며, 특히 저집약도 데이터에서 뚜렷한 성능 저하를 보여, 이 모델의 분해 기반 접근 방식이 국소 수요 신호에는 부적합하다는 점을 시사한다.