[논문 리뷰] Short-term Prediction of Household Electricity Consumption Using Customized LSTM and GRU Models

Saad Emshagin, Wayes Koroni Halim외 1명|arXiv (Cornell University)|2022. 12. 16.

Energy Load and Power Forecasting인용 수 5

한 줄 요약

이 논문은 스마트 미터 데이터를 사용하여 단기 주택 전력 소비 예측을 위한 맞춤형 LSTM 및 GRU 모델을 제안한다. 결과적으로 LSTM가 GRU 및 ARIMA를 능가하며 실제 시계열 데이터에서 개인 주택 부하를 예측할 때 최소한의 오차로 뛰어난 정확도를 달성한다.

ABSTRACT

With the evolution of power systems as it is becoming more intelligent and interactive system while increasing in flexibility with a larger penetration of renewable energy sources, demand prediction on a short-term resolution will inevitably become more and more crucial in designing and managing the future grid, especially when it comes to an individual household level. Projecting the demand for electricity for a single energy user, as opposed to the aggregated power consumption of residential load on a wide scale, is difficult because of a considerable number of volatile and uncertain factors. This paper proposes a customized GRU (Gated Recurrent Unit) and Long Short-Term Memory (LSTM) architecture to address this challenging problem. LSTM and GRU are comparatively newer and among the most well-adopted deep learning approaches. The electricity consumption datasets were obtained from individual household smart meters. The comparison shows that the LSTM model performs better for home-level forecasting than alternative prediction techniques-GRU in this case. To compare the NN-based models with contrast to the conventional statistical technique-based model, ARIMA based model was also developed and benchmarked with LSTM and GRU model outcomes in this study to show the performance of the proposed model on the collected time series data.

연구 동기 및 목표

• 높은 변동성과 불확실성으로 인해 개인 주택 수준에서의 정확한 단기 전력 수요 예측에 도전하는 것.
• 기존의 통계 모델인 ARIMA와 비교하여 딥러닝 모델—특히 맞춤형 LSTM 및 GRU—의 성능을 평가하는 것.
• 스마트 미터에서 수집한 시계열 데이터를 활용하여 주택 전력 소비 예측 정확도를 향상시키는 것.
• 미래 스마트 그라이드 관리 및 주택 수준의 에너지 최적화를 위한 데이터 기반으로 확장 가능한 솔루션을 제공하는 것.
• 실제 주택 전력 소비 데이터셋에 대해 신경망 기반 모델의 효과성을 비교 평가하는 것.

제안 방법

• 시간적 의존성을 모델링하기 위해 주택 전력 소비 시계열에 맞게 맞춤형 장기 단기 기억망(LSTM) 및 게이트형 순환 단위(GRU) 아키텍처를 설계하였다.
• 모델들은 개인 주택 스마트 미터에서 수집한 고해상도 시계열 데이터를 기반으로 훈련되었다.
• 모델 성능을 최적화하기 위해 시퀀스 길이, 레이어 수, 학습률 등의 하이퍼파라미터를 조정하였다.
• RMSE 및 MAE와 같은 표준 회귀 지표를 사용하여 LSTM, GRU 및 ARIMA 모델 간의 비교 평가를 수행하였다.
• 데이터 전처리 과정으로 정규화 및 시퀀스 윈도우 적용을 통해 순환 모델용 입력 시퀀스를 준비하였다.
• 일반화 및 미리 보지 못한 주택 소비 패턴에 대한 강건성을 확보하기 위해 테스트 세트에서 모델을 평가하였다.

실험 결과

연구 질문

• RQ1 맞춤형 LSTM 및 GRU 모델은 단기 주택 전력 소비 예측에서 어떻게 비교되는가?
• RQ2 딥러닝 모델은 ARIMA와 같은 전통적 통계 모델보다 개인 주택 전력 수요 예측에서 뛰어난 성능을 보일 수 있는가?
• RQ3 모델 아키텍처 선택(LSTM 대비 GRU)이 변동성이 큰 주택 부하 데이터의 예측 정확도에 미치는 영향은 무엇인가?
• RQ4 맞춤형 RNN 기반 모델은 주택 전력 소비의 장기적 및 단기적 의존성을 얼마나 효과적으로 포착하는가?
• RQ5 딥러닝 접근법을 사용할 때 실제 스마트 미터 데이터로 달성할 수 있는 예측 정확도 수준은 어느 정도인가?

주요 결과

• 맞춤형 LSTM 모델은 테스트된 모든 모델 중에서 가장 낮은 RMSE 및 MAE 값을 기록하여 뛰어난 예측 성능를 나타냈다.
• GRU 모델는 경쟁적인 성능를 보였지만, 모든 평가 지표에서 일관되게 LSTM에 뒤지며 성능이 열등하였다.
• ARIMA 모델은 LSTM 및 GRU보다 높은 예측 오차를 기록하여 주택 부하의 비선형 패턴을 모델링하는 데에 한계를 드러냈다.
• LSTM는 주택 전력 사용의 장기적 시간 의존성과 계절적 변동을 더 잘 포착하는 능력을 보였다.
• 결과적으로 딥러닝 모델이 고전적 통계 모델보다 개인 주택 전력 소비 예측에 더 적합하다는 것이 확인되었다.
• 이 연구는 맞춤형 RNN 아키텍처가 실제 스마트 미터 데이터셋에서 예측 정확도를 크게 향상시킬 수 있음을 검증하였다.