[논문 리뷰] Online Hierarchical Forecasting for Power Consumption Data

Margaux Brégère, Malo Huard|arXiv (Cornell University)|2020. 03. 01.

Energy Load and Power Forecasting참고 문헌 34인용 수 20

한 줄 요약

이 논문은 전력 소비 데이터를 위한 혁신적인 온라인 계층 예측 프레임워크를 제안하며, 일반화된 추가 모델 또는 랜덤 포레스트를 통한 특징 생성, ML-Pol를 이용한 앙상블 집계, 계층 수준 간의 합계 일致성(summation consistency)을 보장하기 위해 제약 조건이 부여된 부분공간에 투영하는 방법을 통합한다. 이 방법은 최신 기술 수준의 성능을 달성하였으며, 영국 스마트 미터 데이터 기반으로 기준 대비 전역 소비 예측 오차를 최대 17.5% 감소시키는 '집계 및 투영' 전략을 구현하였다.

ABSTRACT

We study the forecasting of the power consumptions of a population of households and of subpopulations thereof. These subpopulations are built according to location, to exogenous information and/or to profiles we determined from historical households consumption time series. Thus, we aim to forecast the electricity consumption time series at several levels of households aggregation. These time series are linked through some summation constraints which induce a hierarchy. Our approach consists in three steps: feature generation, aggregation and projection. Firstly (feature generation step), we build, for each considering group for households, a benchmark forecast (called features), using random forests or generalized additive models. Secondly (aggregation step), aggregation algorithms, run in parallel, aggregate these forecasts and provide new predictions. Finally (projection step), we use the summation constraints induced by the time series underlying hierarchy to re-conciliate the forecasts by projecting them in a well-chosen linear subspace. We provide some theoretical guaranties on the average prediction error of this methodology, through the minimization of a quantity called regret. We also test our approach on households power consumption data collected in Great Britain by multiple energy providers in the Energy Demand Research Project context. We build and compare various population segmentations for the evaluation of our approach performance.

연구 동기 및 목표

• 계층적 시간 시리즈 제약 조건을 활용하여 다수의 집계 수준(예: 국가, 지역, 소비자 프로파일)에서 전기 수요 예측 정확도를 향상시키기 위해.
• 각 수준에서 독립적으로 모델링할 경우 발생하는 계층 수준 간의 일치하지 않는 예측 문제를 해결하기 위해.
• 예측 정확도 향상을 위해 계층적 구조와 앙상블 학습을 모두 활용하는 강력한 온라인 예측 프레임워크를 개발하기 위해.
• 다양한 가정 세분화 전략(지리적, 프로파일 기반, 무작위)이 예측 성능에 미치는 영향을 평가하기 위해.

제안 방법

• 특징 생성: 일반화된 추가 모델 또는 랜덤 포레스트를 사용하여 각 그룹(예: 지역, 프로파일)에 대한 기준 예측치를 생성한다.
• 집계: 예측치를 그룹 간 통합하기 위해 온라인 앙상블 방법(예: ML-Pol 알고리즘)을 적용하며, 가중치 조합을 통한 위험 최소화를 목표로 한다.
• 투영: 수직 투영을 사용하여 합계 제약 조건으로 정의된 부분공간에 집계된 예측치를 투영함으로써 계층 일치성을 강제한다.
• 이 프레임워크는 세 단계의 순차적 절차로 구성된다: (1) 특징 생성, (2) 집계, (3) 투영이며, 위험 최소화에 대한 이론적 보장이 있다.
• 이 방법은 온라인 학습을 위해 설계되어 신규 데이터가 도착함에 따라 점진적으로 업데이트가 가능하다.
• 계층적 구조는 K·yt = 0을 만족하는 행렬 K를 통해 표현되며, 이는 상위 수준의 예측치가 하위 수준의 합과 일치하도록 보장한다.

실험 결과

연구 질문

• RQ1 앙상블 집계와 투영 기반 재조정을 조합함으로써 계층적 전력 소비 데이터에서 예측 정확도가 어떻게 향상되는가?
• RQ2 다양한 가정 세분화 전략(예: 지역, Acorn, NMF, 무작위 클러스터링)이 예측 성능에 어떤 영향을 미치는가?
• RQ3 제안된 방법이 하향식, 상향식 또는 단독 기준 예측치와 같은 기준 전략을 초월하는가?
• RQ4 세분화에 포함된 클러스터 수가 증가함에 따라 이 방법의 탄력성은 어떠한가?
• RQ5 제안된 온라인 계층 예측 프레임워크에 대해 이론적 위험 한계를 설정할 수 있는가?

주요 결과

• '집계 및 투영' 전략은 모든 세분화 방식에서 다른 방법들보다 일관되게 뛰어난 성능을 보이며, 전역 소비 예측 오차가 가장 낮게 유지된다.
• 'Region + NMF(16)' 세분화 구성에서 최고의 성능을 기록하였으며, 전역 소비의 평균 제곱오차를 170.3 ± 8.5 kWh²로 줄여 기준 대비 17.5% 향상시켰다.
• 지역 클러스터 기반의 하향식 예측은 기준 대비 오차를 205.8 ± 9.3 kWh²에서 189.9 ± 8.3 kWh²로 줄여 뚜렷한 향상을 보였다.
• 집계 및 투영은 높은 클러스터 수에 대해서도 탄력적이다: 클러스터 수가 64까지 증가하더라도 성능은 안정되거나 약간 향상되며, 심각한 열화가 발생하지 않는다.
• 가정 프로파일 기반 세분화(예: Acorn, Fuel+Tariff)는 무작위 클러스터링과 유사한 성능을 보였으며, 이는 이 기능들이 이 맥락에서 예측적 가치가 제한적임을 시사한다.
• 투영 단계만으로도 지역 정보를 포함한 경우 예측 성능 향상이 있었지만, 전체적인 '집계 + 투영' 전략이 복잡한 계층에서 가장 큰 성과를 거두었다.