[논문 리뷰] State-of-the-art predictive and prescriptive analytics for IEEE CIS 3rd Technical Challenge

Mahdi Abolghasemi, Rasul Esmaeilbeigi|arXiv (Cornell University)|2021. 12. 07.

Anomaly Detection Techniques and Applications인용 수 9

한 줄 요약

이 논문은 불확실성 하에서 에너지 비용 최소화를 위한 샘플 평균 근사(SAA) 기반 혼합정수선형계획법(MILP)과 결합된 최신 기술의 앙상블 LightGBM 예측 모델을 제시한다. 이 방법은 다중 수준 기상 특징, 시나리오 기반 강건 최적화, 온난시작 고정-최적화 휴리스틱을 활용하여 IEEE CIS 3회 기술 챌린지의 최적화 트랙에서 1등, 예측에서 2등를 달성하였으며, 평균 에너지 비용을 3% 감소시켰고 예측 정확도가 향상되었다.

ABSTRACT

In this paper, we describe our proposed methodology to approach the predict+optimise challenge introduced in the IEEE CIS 3rd Technical Challenge. The predictive model employs an ensemble of LightGBM models and the prescriptive analysis employs mathematical optimisation to efficiently prescribe solutions that minimise the average cost over multiple scenarios. Our solutions ranked 1st in the optimisation and 2nd in the prediction challenge of the competition.

연구 동기 및 목표

• IEEE CIS 3회 기술 챌린지에서 불확실성 하의 에너지 스케줄링을 위한 강건한 예측 및 의사결정 분석 프레임워크 개발.
• 고도화된 특징 공학 및 앙상블 모델링을 활용한 태양광 발전 및 건물 에너지 수요의 예측 정확도 향상.
• 예측 불확실성을 고려한 시나리오 기반 최적화를 통해 총 에너지 비용 최소화.
• 온난시작 휴리스틱과 변수 이완을 활용해 해의 품질과 계산 속도를 균형 잡은 효율적인 최적화 엔진 설계.

제안 방법

• 캘린더 특징, 일일 및 시간대 기상 데이터, 윈도우 통계를 기반으로 훈련된 두 개의 LightGBM 모델 앙상블을 사용해 다중 시나리오 예측을 생성.
• 샘플 평균 근사(SAA)를 사용해 6개의 예측 시나리오에 걸친 기대 비용을 최소화하여 예측 오차에 대한 강건성을 향상.
• 배터리 충전/방전 및 활동 스케줄링을 위한 선형화된 이차 비용 항과 제약 조건을 포함한 혼합정수선형계획법(MILP)을 수립.
• 이중 단계 고정-최적화 휴리스틱 도입: 먼저 배터리의 정수성 제약를 이완해 초기 해를 신속하게 확보하고, 이후 활동 스케줄링을 고정한 후 재최적화.
• 해의 수렴 속도를 향상시키기 위해 이진 변수(λ)를 연속 비음수 변수로 이완하여 강력한 하한을 유지.
• 이전 해 파일을 활용해 온난시작 기능을 구현한 파이썬 기반 Gurobi 기반 최적화 엔진을 구현해 런타임과 해 품질을 향상.

실험 결과

연구 질문

• RQ1 앙성 기계학습 모델은 15분 간격의 태양광 발전 및 건물 에너지 수요 예측 정확도를 어떻게 향상시킬 수 있는가?
• RQ2 단일 예측 최적화 대비 SAA를 활용한 시나리오 기반 최적화는 기대 에너지 비용을 얼마나 줄이는가?
• RQ3 예측-결정 통합 프레임워크는 실세계 에너지 스케줄링 과제에서 독립적인 예측 또는 최적화보다 뛰어난 성능을 낼 수 있는가?
• RQ4 스토케스틱 최적화 환경에서 예측 정확도는 실제 에너지 비용 절감과 어떻게 상관관계가 있는가?
• RQ5 기상 데이터와 시간적 특징은 에너지 시스템의 예측 성능 향상에 어떤 역할을 하는가?

주요 결과

• 앙성 LightGBM 모델은 10월 테스트 세트에서 평균 절대스케일에러(MASE) 0.58을 기록해 강력한 예측 성능를 입증하였다.
• 최종 최적화 제출 결과, 11월 테스트 세트에서 실제 에너지 비용 328,359로 대회 최적화 트랙에서 1등을 차지하였다.
• MASE가 0.84에서 0.74로 11% 감소함에 따라 실제 에너지 비용이 3% 감소하여, 예측 정확도와 비용 효율성 간의 양의 상관관계를 확인하였다.
• SAA를 통해 6개의 예측 시나리오를 활용함으로써 기대 비용이 낮고 개별 예측 오차에 대한 민감도가 감소한 해를 도출하였다.
• 온난시작 고정-최적화 휴리스틱은 해의 속도와 품질을 크게 향상시켰으며, 최종 솔버 실행에서 최적성 갭이 약 2.5% 수준을 기록하였다.