[논문 리뷰] Real-time Load Prediction with High Velocity Smart Home Data Stream

Christoph Doblander, Martin Strohbach외 2명|arXiv (Cornell University)|2017. 08. 12.

Time Series Analysis and Forecasting참고 문헌 22인용 수 3

한 줄 요약

이 논문은 전력 미소그리드에서 단기 부하 밸런싱을 가능하게 하기 위해 고속도 스마트 홈 센서 데이터를 사용한 실시간 부하 예측 시스템을 제안한다. 3년에 걸친 고해상도 기기 수준의 에너지 데이터셋을 바탕으로 다양한 기계학습 모델을 평가하여, 라소 회귀와 같은 경량 모델이 낮은 계산 부하로도 높은 정확도를 달성함을 입증함으로써 스트리밍 배포에 적합함을 보여준다. 이는 지역 에너지 시장에서의 실시간 적용에 기여한다.

ABSTRACT

This paper addresses the use of smart-home sensor streams for continuous prediction of energy loads of individual households which participate as an agent in local markets. We introduces a new device level energy consumption dataset recorded over three years wich includes high resolution energy measurements from electrical devices collected within a pilot program. Using data from that pilot, we analyze the applicability of various machine learning mechanisms for continuous load prediction. Specifically, we address short-term load prediction that is required for load balancing in electrical micro-grids. We report on the prediction performance and the computational requirements of a broad range of prediction mechanisms. Furthermore we present an architecture and experimental evaluation when this prediction is applied in the stream.

연구 동기 및 목표

• 지역 에너지 시장에 참여하는 개별 가정을 대상으로 실시간, 지속적인 부하 예측을 가능하게 하기 위해.
• 고속도 스마트 홈 에너지 스트림에서 다양한 기계학습 모델의 성능과 계산 효율성을 평가하기 위해.
• 실시간 데이터 스트림 처리 파이프라인에 부하 예측을 구현하기 위한 확장 가능한 아키텍처를 설계하고 검증하기 위해.
• 정확하고 저지연 예측을 통해 전력 미소그리드에서의 단기 부하 밸런싱을 지원하기 위해.
• 실제 장기 스마트 홈 데이터셋에서 다양한 모델의 예측 정확도와 자원 사용량을 기준으로 삼기 위해.

제안 방법

• 연구는 스마트 홈 시범 프로그램에서 수집한 3년에 걸친 고해상도 기기 수준의 에너지 소비 데이터셋을 사용한다.
• 단기 부하 예측을 위해 라소, 랜덤 포레스트, 그래디언트 부스팅, 신경망 등 다양한 기계학습 모델을 학습하고 평가한다.
• 예측 파이프라인은 저지연 추론을 보장하기 위해 스트리밍 처리 아키텍처를 사용하여 실시간으로 데이터를 처리하도록 설계된다.
• 모델 성능은 RMSE 및 MAE와 같은 지표로 평가하며, 계산 비용은 추론 시간과 자원 소비 측면에서 측정된다.
• 지역 에너지 시장에 구현되는 것을 시뮬레이션하기 위해 실제 스트리밍 조건 하에서 시스템을 평가한다.
• 특성 공학에는 시간 패턴, 이전 부하 추세, 기기 수준의 소비 특징이 포함되어 예측 정확도 향상에 기여한다.

실험 결과

연구 질문

• RQ1 고속도 스마트 홈 에너지 스트림에서 단기 가정 부하 예측에 가장 높은 예측 정확도를 달성하는 기계학습 모델은 무엇인가?
• RQ2 다양한 모델들이 실시간 스트림 처리 환경에서 예측 정확도와 계산 효율성 사이에서 어떻게 균형을 이룹니까?
• RQ3 고해상도 기기 수준의 에너지 데이터셋에서 특성 공학이 예측 성능에 미치는 영향은 무엇입니까?
• RQ4 라소 회귀와 같은 경량 모델은 낮은 지연과 자원 사용량으로 실시간 부하 예측에 효과적으로 활용될 수 있습니까?
• RQ5 제안된 아키텍처는 미소그리드 환경에서 저지연 지속적인 부하 예측을 어떻게 지원합니까?

주요 결과

• 라소 회귀가 예측 정확도와 계산 효율성 사이의 최적의 균형을 달성하였으며, 실시간 구현에 적합한 낮은 추론 지연을 보였다.
• 데이터셋은 기기 수준의 에너지 소비에 강력한 시간 패턴을 보였으며, 특성 공학에 통합될 경우 예측 성능 향상에 크게 기여하였다.
• 신경망과 XGBoost와 같은 앙상블 모델은 높은 정확도를 달성했지만, 상당한 계산 자원이 요구되어 실시간 적용 가능성에 제한이 있었다.
• 다양한 가정 유형과 부하 프로파일에 걸쳐 안정적인 성능을 보여, 개인의 차이에 대해 강건함을 입증하였다.
• 경량 모델을 사용하여 1초 미만의 지연으로 실시간 예측이 가능하여, 미소그리드 부하 밸런싱에 실용적으로 활용될 수 있었다.
• 평가 결과 고해상도 데이터 스트림는 지역 에너지 시장 참여에 필수적인 정확한 단기 부하 예측을 가능하게 함을 확인하였다.