[논문 리뷰] Review of Low Voltage Load Forecasting: Methods, Applications, and Recommendations

Stephen Haben, Siddharth Arora외 3명|arXiv (Cornell University)|2021. 05. 30.

Energy Load and Power Forecasting참고 문헌 269인용 수 136

한 줄 요약

이 논문은 저압(LV) 부하 예측 기법, 응용 분야 및 과제에 대한 종합적인 리뷰를 제공하며, 고도화된 확률적이고 개인정보 보호 기반의 예측 기법의 필요성을 강조한다. 또한 커뮤니티 기반의 오픈 데이터셋 이니셔티브를 제안하고, 강력한 통계 모델(예: SARMA 및 HWT 지수평활화)을 기준으로 비교 평가함으로써 LV 배전망에서의 모델 평가 및 일반화 능력을 향상시키기 위한 권고를 제시한다.

ABSTRACT

The increased digitalisation and monitoring of the energy system opens up numerous opportunities to decarbonise the energy system. Applications on low voltage, local networks, such as community energy markets and smart storage will facilitate decarbonisation, but they will require advanced control and management. Reliable forecasting will be a necessary component of many of these systems to anticipate key features and uncertainties. Despite this urgent need, there has not yet been an extensive investigation into the current state-of-the-art of low voltage level forecasts, other than at the smart meter level. This paper aims to provide a comprehensive overview of the landscape, current approaches, core applications, challenges and recommendations. Another aim of this paper is to facilitate the continued improvement and advancement in this area. To this end, the paper also surveys some of the most relevant and promising trends. It establishes an open, community-driven list of the known low voltage level open datasets to encourage further research and development.

연구 동기 및 목표

• 저압(LV) 부하 예측 분야의 현재 기법, 응용 분야 및 과제에 대한 종합적인 리뷰 제공.
• 특히 가정 수준와 시스템 수준 집계 간의 중간 수준인 피더 수준에서의 예측에 있어 핵심적인 격차를 규명.
• SARMA 및 HWT 지수평활화와 같은 강력한 통계 모델을 기준으로 비교 평가하는 것을 포함한 모델 평가 최적 실천 방안 제안.
• 연구를 가속화하기 위해 오픈이고 개인정보 보호가 보장된 LV 데이터셋의 개발 및 공유 촉진.
• 스마트 그라이드 응용 분야를 지원하기 위해 확률적 예측 및 해석 가능한 AI를 위한 권고

제안 방법

• LV 부하 예측에 관한 기존 문헌을 체계적으로 검토하여 기법, 응용 분야 및 과제에 중점을 둔다.
• 기계학습, 신경망 및 SARMA, HWT 지수평활화와 같은 통계 모델을 포함한 현재의 예측 기법에 대한 설문 조사.
• RMSE 및 MAPE와 같은 표준 지표를 사용한 예측 성능 평가에 초점을 맞추며, 피더 크기별 상대 오차 추세 분석.
• 재현 가능성과 데이터 접근성을 향상시키기 위해 알려진 LV 수준의 오픈 데이터셋 목록을 커뮤니티 기반으로 제안.
• 검증용 테스트 세트를 별도로 사용한 교차 검증을 권고하고, 정확도 외에도 계산 복잡도 및 해석 가능성 정보를 함께 보고할 것을 제안.
• 차별적 프라이버시 및 피드재이션 학습과 같은 개인정보 보호 기법을 통해 안전한 데이터 공유를 가능하게 하기 위한 권고

실험 결과

연구 질문

• RQ1 현재 저압 부하 예측의 최첨단 기법은 무엇이며, 시스템 수준 또는 가정 수준의 예측 기법과 비교해 봤을 때 어떤가?
• RQ2 왜 저압 배전 수준에서의 예측이 고압 수준보다 더 어렵고, 특히 변동성과 데이터 희소성 측면에서 더 도전적인가?
• RQ3 LV 부하 예측에서 이중 보상 효과를 해결하기 위해 확률적 예측 및 오차 지표는 어떻게 향상시킬 수 있는가?
• RQ4 LV 부하 예측에서 데이터 공유의 주요 장벽은 무엇이며, 개인정보 보호 기반 분석 기법은 이를 어떻게 극복할 수 있는가?
• RQ5 산업적 적용을 위해 인공지능/기계학습 기반의 LV 예측 모델에서의 모델 해석 가능성과 계산 효율성은 어떻게 향상시킬 수 있는가?

주요 결과

• LV 배전 수준에서의 연구 격차가 심각하며, 대부분의 연구가 시스템 수준 또는 가정 수준의 예측에 집중함으로써 중간 수준인 피더 수준의 연구는 여전히 부족한 편이다.
• 피더 크기와 상대 오차 사이에는 거듭제곱 법칙 관계가 존재하며, 이는 소규모 피더의 경우 정확한 예측이 기하급수적으로 어려워짐을 의미한다.
• LV 네트워크에서는 높은 변동성으로 인해 확률적 예측이 필수적이지만, 이중 보상 효과를 고려한 적절한 오차 지표는 아직 개발되지 않은 상태이다.
• 개인정보 보호 우려와 공유 가능한 데이터셋 부족이 주요 장벽이며, 차별적 프라이버시나 피드재이션 학습과 같은 개인정보 보호 기법을 적용한 연구는 소수에 불과하다.
• 현재까지 LV 예측 분야에서 단일 최첨단 기법이 지배하고 있지는 않으며, 비교가 종종 좁은 모델 계열에 국한되어 있어 더 강력한 벤치마크가 필요하다.
• 모델 평가에는 정확도 외에도 계산 비용, 해석 가능성, 그리고 실제 적용 가능성 확보를 위한 강건성까지 포함되어야 한다.