[논문 리뷰] On particle filters applied to electricity load forecasting

Tristan Launay, Anne Philippe외 1명|arXiv (Cornell University)|2012. 10. 02.

Water Systems and Optimization참고 문헌 50인용 수 6

한 줄 요약

이 논문은 비선형, 비정규 상태공간 모델에서 온라인 전력 수요 예측을 위한 입자 필터 기반 접근법을 제안하며, 추가적인 재표본화 단계를 통해 이상치에 대한 강건성을 향상시킨다. 더 복잡한 선형 정규 모델에 비해 더 적은 수의 난수 효과를 사용하고도 휴일의 누락된 데이터를 자동으로 처리함으로써, 비정규 일자유형에서 평균 3.34% MAPE를 기록하며 경쟁 가능한 예측 성능을 보여준다.

ABSTRACT

We are interested in the online prediction of the electricity load, within the Bayesian framework of dynamic models. We offer a review of sequential Monte Carlo methods, and provide the calculations needed for the derivation of so-called particles filters. We also discuss the practical issues arising from their use, and some of the variants proposed in the literature to deal with them, giving detailed algorithms whenever possible for an easy implementation. We propose an additional step to help make basic particle filters more robust with regard to outlying observations. Finally we use such a particle filter to estimate a state-space model that includes exogenous variables in order to forecast the electricity load for the customers of the French electricity company Électricité de France and discuss the various results obtained.

연구 동기 및 목표

• 비선형 및 비정규 조건 하에서 온라인 전력 수요 예측을 위한 강건하고 순차적인 몬테카를로 방법을 개발하는 것.
• 입자 필터링의 실용적 과제인 입자 고갈과 이상치에 대한 민감성 문제를 알고리즘적 개선을 통해 해결하는 것.
• 기후 요소(예: 온도)와 달력 효과(예: 주말, 휴일)를 포함한 외생 변수를 통합한 프랑스 전력 수요를 위한 단순화된 비선형 동적 모델을 제안하고 추정하는 것.
• 입자 필터 기반 모델의 예측 정확도 및 강건성 측면에서 복잡한 선형 정규 상태공간 모델과의 성능을 비교하는 것.
• 수동 설정이 필요 없는 휴일의 누락된 데이터를 자동으로 처리함으로써 모델 신뢰도를 향상시키는 것.

제안 방법

• 논문은 상태공간 모델의 은닉 상태의 후행 분포를 근사하기 위해 순차적 몬테카를로(SMC) 방법, 특히 입자 필터를 사용한다.
• 중요도 표본화와 재표본화를 기반으로 상태 전이 밀도와 관측 밀도를 이용해 시간에 따라 입자를 전파하는 기본 입자 필터 알고리즘을 유도한다.
• 관측값과 일치하지 않는 입자를 가중치를 낮추어 이상치에 대한 강건성을 향상시키기 위해 추가적인 재표본화 단계를 도입한다.
• 수요 역학을 포착하기 위해 온도 및 달력 기반 일자 유형(예: 주말, 휴일)과 같은 외생 변수를 포함한다.
• 비선형 함수를 사용하여 상태 전이 밀도와 관측 밀도를 정의함으로써 난방 및 냉방 효과의 탄력적 모델링을 가능하게 한다.
• 알고리즘이 은행 휴일을 누락된 데이터로 자동으로 처리하여 수동 설정 없이 모델의 중단을 방지한다.

실험 결과

연구 질문

• RQ1 비선형, 비정규 동적 모델에서 입자 필터가 온라인 전력 수요 예측에 효과적으로 적용될 수 있는 방법은 무엇인가?
• RQ2 기본 입자 필터에 어떤 수정 사항이 수요 데이터의 이상치에 대한 민감도를 감소시켜 강건성을 향상시키는가?
• RQ3 입자 필터링을 사용하는 단순화된 비선형 상태공간 모델의 성능은 칼만 필터링을 사용하는 복잡한 선형 정규 모델과 비교해 어떻게 되는가?
• RQ4 휴일과 같은 경우에 누락된 데이터를 수동으로 선언하지 않고도 입자 필터링 프레임워크 내에서 자동으로 처리할 수 있는가?
• RQ5 여름 방학과 같은 데이터 일관성이 낮은 기간 동안 오차 분산($\sigma_{s,n}$, $\sigma_{g,n}$)과 같은 모델 파라미터는 어떻게 행동하는가?

주요 결과

• 추가적인 강건성 단계를 포함한 제안된 입자 필터는 이상치에 대한 민감도를 감소시켜 수요 예측의 안정성을 향상시킨다.
• 비정규 일자 유형에서 평균 예측 MAPE가 3.34%를 기록하며, 이는 이 범주에서 더 복잡한 선형 정규 모델을 능가하는 성능을 보였다.
• 여름 방학 기간 동안 오차 분산($\sigma_{s,n}$ 및 $\sigma_{g,n}$)이 증가하여 데이터의 일관성 부족과 난방 관련 온도 신호의 부재를 반영한다.
• 입자 필터는 은행 휴일을 누락된 데이터로 자동으로 처리하여 기준 모델에서 요구되는 수동 데이터 선언이 필요 없어졌다.
• 제안된 모델의 난방 기울기 행동은 Dordonnat 등(2008)의 연구 결과와 일치하여 모델의 물리적 타당성을 검증한다.
• 기준 모델의 30개 이상의 난수 효과에 비해 오직 10개의 난수 효과만을 사용하고도 경쟁 가능한 예측 정확도를 유지하며, 특히 비정규 일자에 대해 뛰어난 성능을 보였다.