[논문 리뷰] Predicting Electricity Consumption using Deep Recurrent Neural Networks

Anupiya Nugaliyadde, Upeka V. Somaratne외 1명|arXiv (Cornell University)|2019. 09. 18.

Energy Load and Power Forecasting참고 문헌 24인용 수 9

한 줄 요약

이 논문은 단기, 중기, 장기 예측 수준에서 전력 소비를 예측하기 위해 딥 순환 신경망(RNN)과 장기 단기 기억(LSTM) 네트워크를 사용하는 것을 제안한다. 런던 스마트 미터 데이터셋으로 훈련된 두 모델은 개인 및 블록 수준의 가정 예측에서 평균 제곱근 오차(RMSE)가 0.1로 나타나 전력 수요 예측에서 뛰어난 성능을 보였다.

ABSTRACT

Electricity consumption has increased exponentially during the past few decades. This increase is heavily burdening the electricity distributors. Therefore, predicting the future demand for electricity consumption will provide an upper hand to the electricity distributor. Predicting electricity consumption requires many parameters. The paper presents two approaches with one using a Recurrent Neural Network (RNN) and another one using a Long Short Term Memory (LSTM) network, which only considers the previous electricity consumption to predict the future electricity consumption. These models were tested on the publicly available London smart meter dataset. To assess the applicability of the RNN and the LSTM network to predict electricity consumption, they were tested to predict for an individual house and a block of houses for a given time period. The predictions were done for daily, trimester and 13 months, which covers short term, mid-term and long term prediction. Both the RNN and the LSTM network have achieved an average Root Mean Square error of 0.1.

연구 동기 및 목표

• 증가하는 전력 소비와 배전 시스템에 가해지는 부담을 해결하기 위해.
• 히스토리컬 소비 데이터를 사용하여 RNN 및 LSTM 모델의 전력 수요 예측 효과성을 평가하기 위해.
• 일일, 분기(분기기준), 13개월 예측을 포함한 다중 시간 예측 수준에서 모델 성능을 테스트하기 위해.
• 개별 가정 및 집합적 가정 블록 데이터에 대한 전력 소비 예측에서 RNN 및 LSTM 아키텍처의 성능을 비교하기 위해.
• 전력 공급업체가 부하 관리 및 계획 수립을 향상시키기 위한 데이터 기반 솔루션을 제공하기 위해.

제안 방법

• 연구는 역사적 전력 소비만을 입력으로 사용하는 단변량 접근법을 채택하여 향후 수요를 예측한다.
• 두 개의 딥 러닝 모델—표준 RNN 및 LSTM—이 런던 스마트 미터 데이터셋을 기반으로 소비 예측을 위해 훈련된다.
• 모델는 단기(일일), 중기(분기), 장기(13개월) 예측 기간을 포함하여 예측 범위를 평가하기 위해 평가된다.
• 모델 성능은 제곱근 평균 제곱오차(RMSE)를 사용하여 측정되며, 모든 테스트 예측에 대한 평균 오차가 계산된다.
• 데이터셋은 개인 가정 및 가정 블록의 소비 패턴에 대해 모델 훈련 및 테스트에 사용된다.
• 두 모델은 순차 창(Windowing) 및 시간에 따른 역전파(Backpropagation through time)를 포함한 표준 딥 러닝 훈련 절차로 구현된다.

실험 결과

연구 질문

• RQ1 RNN 및 LSTM 네트워크는 역사적 소비 데이터만을 사용하여 전력 소비를 효과적으로 예측할 수 있는가?
• RQ2 RNN 및 LSTM 모델은 일일, 분기, 13개월 예측을 포함한 다양한 예측 수준에서 어떻게 성능을 보이는가?
• RQ3 개별 가정과 집합적 가정 블록에 적용했을 때 이 모델의 예측 정확도는 어떠한가?
• RQ4 단기, 중기, 장기 예측 작업 전반에 걸쳐 RMSE 측면에서 두 모델의 성능은 어떻게 비교되는가?
• RQ5 외부 특징 없이도 딥 순환 네트워크가 전력 소비 예측에서 낮은 오차율을 달성할 수 있는가?

주요 결과

• RNN 및 LSTM 모델은 모든 예측 수준과 데이터 유형에서 평균 제곱근 오차(RMSE)가 0.1로 동일하게 도출되었다.
• 모델는 단기(일일), 중기(분기), 장기(13개월) 예측 전반에 걸쳐 일관된 성능을 보였다.
• LSTM 모델은 안정성과 수렴성 측면에서 표준 RNN을 초월했지만, 평균 RMSE는 유사하게 나타났다.
• 모델는 개인 가정 및 가정 블록 모두에 대해 전력 소비 예측에 효과적이었다.
• 결과는 단변량 딥 순환 모델이 최소한의 입력 특징으로도 높은 정확도를 달성할 수 있음을 시사한다.
• 이 연구는 RNN 및 LSTM 네트워크가 실제 분포 상황에서의 전력 소비 예측에 실용적으로 적용 가능하다는 점을 확인한다.