[논문 리뷰] Short-term electricity load forecasting with multi-frequency reconstruction diffusion

Qi Dong, Rubing Huang외 4명|arXiv (Cornell University)|2026. 01. 10.

Energy Load and Power Forecasting인용 수 0

한 줄 요약

요약: 이 논문은 Transformer/LSTM 디노이저를 사용하는 확산-노이즈 제거 프레임워크와 다중 주파수 분해를 결합한 Short-Term Electricity Load Forecasting(STELF)용 Multi-Frequency-Reconstruction-based Diffusion(MFRD) 모델을 제시하며, AEMO와 ISO-NE 데이터셋에서 더 높은 정확도를 보임을 보여줍니다.

ABSTRACT

Diffusion models have emerged as a powerful method in various applications. However, their application to Short-Term Electricity Load Forecasting (STELF) -- a typical scenario in energy systems -- remains largely unexplored. Considering the nonlinear and fluctuating characteristics of the load data, effectively utilizing the powerful modeling capabilities of diffusion models to enhance STELF accuracy remains a challenge. This paper proposes a novel diffusion model with multi-frequency reconstruction for STELF, referred to as the Multi-Frequency-Reconstruction-based Diffusion (MFRD) model. The MFRD model achieves accurate load forecasting through four key steps: (1) The original data is combined with the decomposed multi-frequency modes to form a new data representation; (2) The diffusion model adds noise to the new data, effectively reducing and weakening the noise in the original data; (3) The reverse process adopts a denoising network that combines Long Short-Term Memory (LSTM) and Transformer to enhance noise removal; and (4) The inference process generates the final predictions based on the trained denoising network. To validate the effectiveness of the MFRD model, we conducted experiments on two data platforms: Australian Energy Market Operator (AEMO) and Independent System Operator of New England (ISO-NE). The experimental results show that our model consistently outperforms the compared models.

연구 동기 및 목표

• 외부 특징 없이 부하 데이터만 의존하는 경량화된 STELF 모델 개발
• 예측 정확도 향상을 위한 입력 표현의 다주파수 분해 활용
• Transformer와 잔차 LSTM을 이용한 확산 기반 디노이징 프레임워크 제안으로 잡음에 대한 강인성 개선
• 실세계 데이터셋(AEMO 및 ISO-NE)에서 MFRD를 검증하고 다수의 베이스라인과 비교

제안 방법

• 부하 데이터에 Variational Mode Decomposition(VMD)을 적용하고 결과 IMF와 원 신호를 연결하여 다주파수 특징 표현 생성
• 증강된 데이터에 순방향 확산 프로세스를 적용해 점진적으로 가우시안 노이즈를 추가하고 역과정에서 디노이싱 준비
• 위치 인코딩과 주파수 특성 포착을 위한 Fourier 도메인 손실을 갖춘 잔차 LSTM과 Transformer 아키텍처를 결합한 디노이즈 네트워크 학습
• 가우시안 노이즈에서 반복적으로 디노이징하여 원하는 horizon에 대한 예측을 재구성하는 추론 수행

Figure 1 : Overall MFRD framework.

실험 결과

연구 질문

• RQ1 다중 주파수 특징을 갖춘 확산 기반 프레임워크가 외부 입력 없이도 STELF 정확도를 향상시킬 수 있는가?
• RQ2 VMD 유도 주파수 성분과 확산-디노이징 네트워크의 결합이 부하 데이터의 잡음에 대한 강인성을 향상시키는가?
• RQ3 MFRD가 다양한 데이터셋에서 전통적 ML/DL 방법과 비교해 STELF 성능이 우수한가?

주요 결과

k	NSW_MAE	NSW_RMSE	NSW_MAPE	NSW_R^2	QLD_MAE	QLD_RMSE	QLD_MAPE	QLD_R^2	VIC_MAE	VIC_RMSE	VIC_MAPE	VIC_R^2
2	98.49	131.20	1.36	0.991	75.37	101.96	1.27	0.991	74.37	101.36	1.25	0.991
3	98.31	132.13	1.34	0.991	86.53	117.51	1.46	0.988	82.85	111.61	1.40	0.990
4	93.38	123.41	1.28	0.992	87.38	117.20	1.46	0.989	102.75	136.97	2.26	0.983
5	101.22	134.31	1.39	0.991	90.23	115.03	1.50	0.989	85.23	110.78	1.43	0.990
6	115.84	155.38	1.56	0.988	78.52	102.27	1.33	0.991	79.10	102.65	1.35	0.991
7	98.88	129.64	1.35	0.992	77.29	101.28	1.30	0.991	74.78	98.69	1.26	0.992
8	93.39	125.36	1.29	0.992	79.55	102.97	1.33	0.991	77.61	100.88	1.31	0.992
9	102.07	137.90	1.42	0.990	92.56	122.28	1.56	0.988	95.02	126.54	1.60	0.987
10	105.42	139.83	1.44	0.990	103.20	136.49	1.77	0.984	103.86	136.78	1.78	0.984

• MFRD는 평가 지표 전반에서 AEMO 및 ISO-NE 데이터셋에서 일관되게 베이스라인을 능가합니다.
• 다중 VMD 모드(k 값)의 사용은 예측 성능에 상당한 영향을 주며, 최적 결과는 지역에 따라 다릅니다.
• NSW 데이터셋은 보고된 표에서 k = 4일 때 강한 성능을 보이며 주파수 분해 매개변수에 지역적으로 민감함을 시사합니다.
• 모델 아키텍처는 글로벌 패턴 포획(Transformer)과 시간 의존성 모델링(LSTM)을 함께 활용하여 디노이징 효과를 높입니다.

a