[논문 리뷰] Short-term forecasting of Italian residential gas demand.

Andrea Marziali, Emanuele Fabbiani외 1명|arXiv (Cornell University)|2019. 10. 04.

Energy Load and Power Forecasting인용 수 1

한 줄 요약

이 논문은 이탈리아 주거용 가스 수요를 하루 전망하기 위한 다섯 가지 기계학습 모델—리지 회귀, 가우시안 프로세스, k-최근접 이웃, 인공 신경망, 토러스 모델—을 제안하고 비교한다. 가장 우수한 성능을 보인 인공 신경망과 가우시안 프로세스 모델은 이론적 성능 한계의 두 배에 해당하는 RMSE를 기록하여, 이상적인 조건 하에서 정확한 국가 수준의 가스 수요 예측이 가능함을 시사한다.

ABSTRACT

Natural gas is the most important energy source in Italy: it fuels thermoelectric power plants, industrial facilities and domestic heating. Gas demand forecasting is a critical task for any energy provider as it impacts on pipe reservation and stock planning. In this paper, the one-day-ahead forecasting of Italian daily residential gas demand is studied. Five predictors are developed and compared: Ridge Regression, Gaussian Process, k-Nearest Neighbour, Artificial Neural Network, and Torus Model. Preprocessing and feature selection are also discussed in detail. Concerning the prediction error, a theoretical bound on the best achievable root mean square error is worked out assuming ideal conditions, except for the inaccuracy of meteorological temperature forecasts, whose effects are properly propagated. The best predictors, namely the Artificial Neural Network and the Gaussian Process, achieve an RMSE which is twice the performance limit, suggesting that precise predictions of residential gas demand can be achieved at country level.

연구 동기 및 목표

• 이탈리아 주거용 가스 수요의 단기 예측 정확도를 향상시켜 파이프라인 예약 및 재고 관리의 효율성을 높이기 위해.
• 실제 가스 수요 데이터를 바탕으로 다양한 예측 모델—리지 회귀, 가우시안 프로세스, k-최근접 이웃, 인공 신경망, 토러스 모델—의 성능을 평가하기 위해.
• 기상 예측의 부정확성까지 고려한 가스 수요 예측에 대한 루트 평균 제곱 오차(RMSE)의 이론적 하한을 설정하기 위해.
• 이deal 조건 하에서의 최상의 오차와 실제 예측 성능 간 격차를 조사하기 위해.

제안 방법

• 다섯 가지 예측 모델이 역사적 이탈리아 일일 주거용 가스 수요 데이터를 기반으로 훈련 및 평가되며, 기상 및 시간적 특징이 포함된다.
• 사전 처리 과정으로는 정규화와 결측치 처리가 이루어지며, 특징 선택을 통해 특히 기온과 시간 관련 변수와 같은 가장 관련성이 높은 예측 변수를 식별한다.
• 이deal 조건 하에서 기상 예측의 오차가 없을 경우를 가정하여 이론적 RMSE 하한을 유도하며, 기상 예측 오차의 영향을 명시적으로 오차 전파 모델에 반영한다.
• 모델 성능 평가에는 RMSE가 사용되며, 교차 검증과 샘플 외 테스트를 통해 정확도를 확보한다.
• 가우시안 프로세스와 인공 신경망 모델은 뛰어난 성능을 보여 상세 분석 대상으로 선정된다.
• 오차 전파 분석을 통해 기상 예측 오차가 전체 예측 불확실성에 미치는 영향을 정량화한다.

실험 결과

연구 질문

• RQ1 다양한 기계학습 모델은 이탈리아 주거용 가스 수요를 하루 전망할 때 어떻게 비교되는가?
• RQ2 기상 예측이 이상적으로 정확할 경우, 주거용 가스 수요 예측의 이론적 최소 가능한 RMSE는 얼마인가?
• RQ3 기상 기온 예측의 부정확성이 가스 수요 예측 모델의 성능을 얼마나 제한하는가?
• RQ4 최고 성능을 보인 모델들은 이론적 성능 한계에 가까운 예측 정확도를 달성할 수 있는가?

주요 결과

• 인공 신경망과 가우시안 프로세스 모델이 테스트된 모든 예측 모델 중에서 가장 낮은 RMSE를 기록하며, 리지 회귀, k-최근접 이웃, 토러스 모델을 앞선다.
• 최고 성능을 보인 모델들은 이상적인 조건 하에서의 이론적 하한에 비해 약 두 배의 RMSE를 기록한다.
• 이론적 성능 한계는 기온 예측 오차가 없을 경우를 가정하여 유도되었으며, 모델 평가의 기준이 된다.
• 기상 예측 오차는 예측 오차에 상당한 기여를 하며, 오차 분석에서 이들의 영향이 정량적으로 반영되었다.
• 결과적으로 기상 예측 정확도 향상이 이루어질 경우 현재의 모델링 기법으로도 정확한 국가 수준의 주거용 가스 수요 예측이 가능할 것으로 보인다.
• 실제 성능과 이론적 성능 간 격차는 입력 데이터 품질, 특히 기상 예측의 향상이 더 높은 정확도를 달성하는 데 핵심적임을 시사한다.