[논문 리뷰] Power Market Price Forecasting via Deep Learning

Yongli Zhu, Songtao Lu외 3명|arXiv (Cornell University)|2018. 09. 18.

Energy Load and Power Forecasting인용 수 4

한 줄 요약

이 논문은 뉴잉글랜드 및 PJM 전력시장의 당일 전기시장 가격을 예측하기 위해 장기 단기 기억(LSTM) 네트워크를 사용하는 딥러닝 접근법을 제안한다. 단위 스케일링 전처리를 거친 시간당 가격 데이터로 훈련된 LSTM 모델은 다양한 입력 길이, 예측 수준, 데이터 크기에서 기존 방법들을 능가하며, 전력시장 가격 예측에서 뛰어난 예측 정확도를 보여준다.

ABSTRACT

A study on power market price forecasting by deep learning is presented. As one of the most successful deep learning frameworks, the LSTM (Long short-term memory) neural network is utilized. The hourly prices data from the New England and PJM day-ahead markets are used in this study. First, a LSTM network is formulated and trained. Then the raw input and output data are preprocessed by unit scaling, and the trained network is tested on the real price data under different input lengths, forecasting horizons and data sizes. Its performance is also compared with other existing methods. The forecasted results demonstrate that, the LSTM deep neural network can outperform the others under different application settings in this problem.

연구 동기 및 목표

• 정확한 당일 전력시장 가격 예측을 위한 딥러닝 프레임워크 개발.
• 주요 미국 전력시장의 실세계 전기 가격 데이터에 대한 LSTM 네트워크 성능 평가.
• 다양한 입력 및 예측 수준 설정에서 LSTM 모델의 예측 정확도를 기존 방법과 비교.
• 데이터 전처리, 입력 길이, 훈련 데이터 크기의 모델 성능에 대한 영향 평가.

제안 방법

• 뉴잉글랜드 및 PJM 당일 전력시장의 시간당 전기 가격 데이터를 기반으로 장기 단기 기억(LSTM) 순환 신경망을 수립하고 훈련한다.
• 원시 입력 및 출력 데이터는 특성 공간을 정규화하고 훈련 안정성을 향상시키기 위해 단위 스케일링 전처리를 적용한다.
• 모델의 강건성 평가를 위해 다양한 입력 시퀀스 길이, 예측 수준, 훈련 데이터 크기 조건에서 평가한다.
• 표준 평가 지표를 사용하여 다른 기존 예측 방법과의 성능 비교를 수행한다.
• 모델는 순차적 가격 데이터에서 장기적 시간적 의존성을 효과적으로 포착할 수 있는 LSTM의 능력을 활용한다.
• 최종 모델는 일반화 및 예측 정확도를 검증하기 위해 실제 시장 가격 데이터로 테스트된다.

실험 결과

연구 질문

• RQ1 LSTM 기반 딥러닝 모델은 기존 방법보다 전력시장 가격 예측에서 더 높은 정확도를 달성할 수 있는가?
• RQ2 입력 시퀀스 길이가 LSTM 모델의 가격 예측 성능에 어떤 영향을 미치는가?
• RQ3 예측 수준과 훈련 데이터 크기가 모델의 예측 정확도에 미치는 영향은 무엇인가?
• RQ4 단위 스케일링 전처리가 모델의 수렴 및 성능에 어떤 영향을 미치는가?
• RQ5 LSTM 모델은 뉴잉글랜드 및 PJM과 같은 다양한 전력시장에서 잘 일반화되는가?

주요 결과

• 모델는 모든 테스트 설정에서 다른 기존 방법들을 일관되게 능가하는 예측 정확도를 보였다.
• 단위 스케일링 전처리가 훈련 안정성 향상과 모델 수렴에 크게 기여했다.
• 모델는 다양한 입력 길이와 예측 수준에서도 강력한 성능 유지를 보이며, 강건성을 입증했다.
• 제한된 훈련 데이터 조건에서도 뛰어난 성능을 기록하여 뛰어난 일반화 능력을 입증했다.
• LSTM 프레임워크는 전기 가격 시계열에서 장기적 시간적 의존성을 효과적으로 포착하여 더 정확한 예측을 가능하게 했다.
• 본 연구는 딥러닝, 특히 LSTMs가 전력시장 가격 예측에 매우 효과적인 접근법임을 확인했다.