[논문 리뷰] The Importance of Environmental Factors in Forecasting Australian Power Demand

Ali Eshragh, Benjamin Ganim외 2명|arXiv (Cornell University)|2019. 11. 03.

Energy Load and Power Forecasting참고 문헌 31인용 수 12

한 줄 요약

이 논문은 호주 3개 주에서 주간 최대 전력 수요를 예측하기 위해 환경 요인—최고 기온, 최저 기온, 일광 조사—를 계절적 자기회귀 이동평균 합성 모형(SARIMA) 프레임워크에 통합한 하이브리드 SARIMA-회귀 모델을 제안한다. 이 모델은 평균 절대 퍼센티지 오차(MAPE)가 3.41%를 기록하여 순수한 SARIMA 모델 대비 46.3% 향상된 성능을 보이며, RNN 기반 글로벌 예측 모델과 같은 최첨단 기계학습 방법보다도 뛰어난 성능을 보인다.

ABSTRACT

We develop a time series model to forecast weekly peak power demand for three main states of Australia for a yearly time-scale, and show the crucial role of environmental factors in improving the forecasts. More precisely, we construct a seasonal autoregressive integrated moving average (SARIMA) model and reinforce it by employing the exogenous environmental variables including, maximum temperature, minimum temperature, and solar exposure. The estimated hybrid SARIMA-regression model exhibits an excellent mean absolute percentage error (MAPE) of 3.41%. Moreover, our analysis demonstrates the importance of the environmental factors by showing a remarkable improvement of 46.3% in MAPE for the hybrid model over the crude SARIMA model which merely includes the power demand variables. In order to illustrate the efficacy of our model, we compare our outcome with the state-of-the-art machine learning methods in forecasting. The results reveal that our model outperforms the latter approach.

연구 동기 및 목표

• 호주의 중기 주간 최대 전력 수요 예측에 있어 최고 기온, 최저 기온, 일광 조사와 같은 환경 요인이 미치는 영향을 조사하는 것.
• SARIMA 모형에 외생 환경 변수를 통합하여 중기 부하 예측(MTLF)의 정확도를 향상시키는 것.
• 제안된 하이브리드 모델의 성능을 최첨단 기계학습 방법, 특히 RNN 기반 글로벌 예측 모델(GFM)과 비교하는 것.
• 실용적인 에너지 계획 응용에 적합한 투명하고 해석 가능하며 계산적으로 효율적인 예측 프레임워크를 제공하는 것.

제안 방법

• 뉴 사우스 웨일즈(NSW), 빅토리아(VIC), 사우스 오스트레일리아(SA)에서의 주간 최대 전력 수요(WPD) 데이터에 대해 계절적 자기회귀 이동평균(SARIMA) 모형을 적합시킨다.
• 외생 환경 변수—최고 기온, 최저 기온, 일광 조사—는 선형 회귀 구성요소를 통해 통합되어 하이브리드 SARIMA-회귀 모형을 구성한다.
• 모델은 역사적 자료를 사용하여 추정되며, 환경 변수는 예측 능력을 극대화하기 위해 결정론적 회귀자로 간주된다.
• 모델 성능은 평균 절대 퍼센티지 오차(MAPE)를 사용하여 평가되며, 순수한 SARIMA 모델과 최첨단 RNN 기반 글로벌 예측 모델(GFM)과의 비교를 통해 수행된다.
• RNN 기반 GFM의 하이퍼파rameter는 순차적 모델 기반 알고리즘 구성(SMAC) 및 COCOB 최적화 알고리즘을 사용하여 최적화된다.
• 모델은 2017년 52주 예측에 대해 검증되며, 세 주 모두에서 결과가 시각화되고 비교된다.

실험 결과

연구 질문

• RQ1 기온과 일광 조사와 같은 환경 요소가 호주에서 중기 주간 최대 전력 수요 예측 정확도에 어느 정도 기여하는가?
• RQ2 하이브리드 SARIMA-회귀 모델의 성능은 순수한 SARIMA 모델 대비 어떻게 다른가?
• RQ3 이 맥락에서 하이브리드 통계 모형은 RNN 기반 글로벌 예측 모델과 같은 최첨단 기계학습 방법을 능가할 수 있는가?
• RQ4 기후 조건이 서로 다른 호주 주들 간에 예측 오차(MAPE로 측정)는 어떻게 달라지는가?

주요 결과

• 하이브리드 SARIMA-회귀 모델은 호주 전 세 주에서 평균 절대 퍼센티지 오차(MAPE)가 3.41%로 높은 예측 정확도를 보였다.
• 환경 요소의 통합으로 순수한 SARIMA 모델 대비 평균 46.3%의 정확도 향상이 이루어졌으며, 주별로는 빅토리아(VIC)의 38.6%에서 뉴 사우스 웨일즈(NSW)의 58.6%까지 다양했다.
• 하이브리드 모델은 최첨단 RNN 기반 글로벌 예측 모델(GFM)을 능가하였으며, 이 모델은 뉴 사우스 웨일즈(NSW)에서 5.07%, 빅토리아(VIC)에서 5.30%, 사우스 오스트레일리아(SA)에서 7.81%의 높은 MAPE 값을 기록했다.
• 모델의 계수는 해석 가능하고 계산적으로 효율적이며, 복잡한 블랙박스 기계학습 모델에 비해 실용적 이점이 있다.
• 기온과 일광 조사와 같은 환경 변수는 강한 계절성 및 정상성 패턴을 보이며, 장기 예측에서 신뢰할 수 있는 예측 변수로 사용될 수 있음을 뒷받침한다.
• 미래의 연구에서는 환경 변수 자체를 예측함으로써 정확도를 향상시킬 수 있으나, 그들의 강한 계절성으로 인해 대부분의 예측 능력은 유지될 것으로 예상된다.