[논문 리뷰] Quantifying Uncertainty with a Derivative Tracking SDE Model and Application to Wind Power Forecast Data

Renzo Caballero, Ahmed Kebaier외 2명|arXiv (Cornell University)|2020. 06. 29.

Energy Load and Power Forecasting참고 문헌 26인용 수 8

한 줄 요약

이 논문은 유리에이노의 풍력 발전 데이터(2019년)를 기반으로, 파생도 추적, 시간에 따라 변화하는 평균 회귀, 상태에 의존하는 분산을 갖는 데이터 기반의 시간 비균일한 SDE 모델을 제안한다. Lamperti 변환과 고정점 우도 최적화를 활용하여, 안정적인 추론과 날카운 confidence 밴드를 가능하게 하며, 기준 모델보다 뛰어난 성능을 보인다. 특히 파생도 추적 버전이 뛰어난 성능을 보였다.

ABSTRACT

We develop a data-driven methodology based on parametric It\\^{o}'s Stochastic Differential Equations (SDEs) to capture the real asymmetric dynamics of forecast errors. Our SDE framework features time-derivative tracking of the forecast, time-varying mean-reversion parameter, and an improved state-dependent diffusion term. Proofs of the existence, strong uniqueness, and boundedness of the SDE solutions are shown under a principled condition for the time-varying mean-reversion parameter. Inference based on approximate likelihood, constructed through the moment-matching technique both in the original forecast error space and in the Lamperti space, is performed through numerical optimization procedures. We propose another contribution based on the fixed-point likelihood optimization approach in the Lamperti space. All the procedures are agnostic of the forecasting technology, and they enable comparisons between different forecast providers. We apply our SDE framework to model historical Uruguayan normalized wind power production and forecast data between April and December 2019. Sharp empirical confidence bands of future wind power production are obtained for the best-selected model.

연구 동기 및 목표

• 특정 예측 방법에 의존하지 않고, 비대칭적이고 시간에 따라 변화하는 오차 역학을 포착하는 데이터 기반의 SDE 프레임워크를 개발하는 것.
• 결정론적 예측에 조건화된 미래 풍력 발전 경로의 경로 기반 시뮬레이션을 가능하게 하여 최적 제어 및 리스크 평가를 지원하는 것.
• 우도 기반 추론과 모델 선택을 통해 경험적으로 타당한 confidence 밴드를 제공하는 것.
• 원본 데이터에서의 수치적 불안정성 문제를 피하기 위해 Lamperti 공간에서 고정점 최적화를 통해 모수 추정의 안정성과 강건성을 향상시키는 것.
• 실제 우루과이 풍력 발전 및 예측 데이터(2019년 4월~12월)를 대상으로 모델을 검증하고, 세 명의 예측 제공자 간 성능을 비교하는 것.

제안 방법

• 예측의 시간 도함수를 포함하는 수정된 드리프트 항을 갖는 파arametric Itô SDE를 사용하여 오차 역학의 편향 감소를 보장한다.
• 시간에 따라 변화하는 평균 회귀와 상태에 의존하는 분산 계수(비례 계수: √|Xₜ(1−Xₜ)|)를 갖는 SDE로, 유한하고 비정규 분포의 오차를 모델링한다.
• SDE를 단위 분산을 갖는 형태로 변환하기 위해 Lamperti 변환을 적용하여 변환된 공간에서의 안정적 우도 추정을 가능하게 한다.
• 원래 공간과 Lamperti 공간에서의 모멘트 매칭 기법을 사용하여 우도 함수를 근사함으로써 수치 최적화를 가능하게 한다.
• 원래 공간에서의 직접 우도 최대화에 비해 수치적 안정성과 수렴성을 향상시키기 위해 Lamperti 공간에서의 고정점 우도 최적화 알고리즘을 도입한다.
• 예측 시간에서 첫 번째 예측까지의 초기 전이 단계를 포함하여 각 예측 수평에서 처음부터 불확실성 정량화가 가능하도록 한다.

실험 결과

연구 질문

• RQ1 파생도 추적 기능을 갖춘 SDE 모델은 풍력 예측에서 비대칭적이고 시간에 따라 변화하는 오차 역학을 개선할 수 있는가?
• RQ2 시간에 따라 변화하는 평균 회귀와 상태에 의존하는 분산을 통합할 경우, 기존 표준 모델에 비해 불확실성 정량화가 어떻게 향상되는가?
• RQ3 Lamperti 공간에서의 고정점 우도 최적화는 원래 공간에서의 직접 최적화에 비해 더 안정적이고 정확한 모수 추정을 제공하는가?
• RQ4 제안된 SDE 프레임워크는 미래 풍력 발전에 대해 날카우면서도 경험적으로 타당한 confidence 밴드를 생성할 수 있는가?
• RQ5 특정 예측 기술을 가정하지 않고도, 다양한 예측 제공자 간의 공정한 비교를 어떻게 가능하게 하는가?

주요 결과

• 파생도 추적 기능을 갖춘 제안된 SDE 모델은 우루과이 풍력 데이터에서 기준 모델보다 우도와 모델 적합도 측면에서 뚜렷한 성능 향상을 보였다.
• Lamperti 공간에서의 고정점 우도 최적화는 원래 공간에서의 직접 우도 최대화에 비해 더 뛰어난 수치적 안정성과 수렴성을 보였다.
• 최고 성능을 보인 모델에서 유도된 경험적 confidence 밴드는 날카롭고 잘 校정되어 있어 실제 풍력 예측의 불확실성을 잘 반영하고 있었다.
• 모델은 특히 고예측 변동성 기간 동안 오차의 비정규적이고 비대칭적인 성격을 성공적으로 포착하였다.
• 상태에 의존하는 분산을 갖는 시간 비균일한 자코비 유형의 SDE는 잘 정의된 평균 회귀 모수 조건 하에 존재성, 강한 유일성 및 유계성에 대한 증명을 포함하여 원칙적이고 수학적으로 타당한 프레임워크를 제공하였다.
• 모델은 미래 풍력 발전 경로에 대한 경로 기반 몬테카를로 샘플링을 가능하게 하여 최적 제어 및 리스크 관리 등의 후속 응용을 지원하였다.