[논문 리뷰] Wind energy forecasting with missing values within a fully conditional specification framework

Honglin Wen, Pierre Pinson외 2명|arXiv (Cornell University)|2022. 03. 15.

Energy Load and Power Forecasting참고 문헌 33인용 수 4

한 줄 요약

이 논문은 모델 추정 및 운영 예측 단계에서 입력 특징과 타겟 변수의 결측치를 함께 다루는 FCS(based universal imputation 프레임워크를 제안한다. 결측치가 무작위로 발생하는 조건 하에서 예측을 통합된 보정 및 예측 문제로 간주함으로써, 특히 확률적 예측에서 표준적인 '보정 후 예측' 방법보다 우수한 성능을 보이며, 단계 간 일관성을 유지하고 과적합 위험을 줄인다.

ABSTRACT

Wind power forecasting is essential to power system operation and electricity markets. As abundant data became available thanks to the deployment of measurement infrastructures and the democratization of meteorological modelling, extensive data-driven approaches have been developed within both point and probabilistic forecasting frameworks. These models usually assume that the dataset at hand is complete and overlook missing value issues that often occur in practice. In contrast to that common approach, we rigorously consider here the wind power forecasting problem in the presence of missing values, by jointly accommodating imputation and forecasting tasks. Our approach allows inferring the joint distribution of input features and target variables at the model estimation stage based on incomplete observations only. We place emphasis on a fully conditional specification method owing to its desirable properties, e.g., being assumption-free when it comes to these joint distributions. Then, at the operational forecasting stage, with available features at hand, one can issue forecasts by implicitly imputing all missing entries. The approach is applicable to both point and probabilistic forecasting, while yielding competitive forecast quality within both simulation and real-world case studies. It confirms that by using a powerful universal imputation method like fully conditional specification, the proposed approach is superior to the common approach, especially in the context of probabilistic forecasting.

연구 동기 및 목표

• 풍력 발전 예측 데이터셋에서 흔히 발생하는 결측치 문제를 다루어 데이터 손실과 예측 성능 저하를 방지하기 위해.
• 모델 추정과 운영 예측 단계 간의 일관성 문제를 방지하기 위해 보정과 예측을 함께 모델링하는 일관된 예측 프레임워크를 개발하기 위해.
• 다양한 결측 데이터 비율 하에서 점 예측 및 확률적 예측 설정에서 제안된 방법의 성능을 평가하기 위해.
• 기존의 '보정 후 예측' 전략과 비교하여 FCS 기반 접근 방식의 예측 정확도 및 내구성 측면에서의 성능을 평가하기 위해.
• 차원 수가 증가함에 따라 이 방법의 계산 가능성과 확장성 평가하기 위해.

제안 방법

• 모든 변수의 조건부 분포를 다른 모든 변수를 기반으로 순차적이고 반복적으로 모델링하는 다중 보정 기반의 완전조건부사양(FCS)을 활용한다.
• 모델 추정 단계에서는 완전한 케이스가 필요로 하지 않는 결측치가 무작위로 발생하는(MAR) 조건 하에서 관측된 데이터만을 사용해 모수를 추정한다.
• 운영 예측 단계에서는 입력 특징과 타겟 변수 모두를 결측치로 간주하고, 학습된 조건부 모델을 사용해 반복적으로 보정한다.
• 입력과 타겟의 공동 분포에서 다수의 보정된 실현값을 생성함으로써 자연스럽게 확률적 예측을 지원한다.
• 이 프레임워크는 점 예측 및 확률적 예측 모두에 적용 가능하며, 분위수 회귀나 딥러닝을 포함한 다양한 기본 모델과 호환된다.
• '보정 후 예측' 방식의 일관성 문제를 피하기 위해 추론 단계에서의 보정이 학습 단계에서 사용된 공동 모델링과 일치하도록 보장한다.

실험 결과

연구 질문

• RQ1 결측치가 존재하는 조건 하에서 제안된 FCS 기반 유니버설 보정 프레임워크는 표준적인 '보정 후 예측' 방법과 비교해 예측 정확도에서 어떻게 다를까?
• RQ2 보정과 예측을 함께 모델링하는 방식은 순차적 보정과 예측 방식에 비해 확률적 예측 품질을 향상시킬 수 있는가?
• RQ3 결측치 존재 조건 하에서 이 방법이 과적합을 얼마나 효과적으로 완화하는가?
• RQ4 결측 데이터 비율이 증가함에 따라 예측 성능은 어떻게 저하되며, 이러한 조건에서 FCS 방법은 어떻게 비교되는가?
• RQ5 FCS 기반 접근 방식의 계산 비용은 얼마이며, 고차원 풍력 발전 데이터셋에 대해 확장 가능한가?

주요 결과

• FCS 기반 방법은 점 예측 및 확률적 예측 모두에서 '보정 후 예측' 방법보다 뛰어난 성능을 보이며, 특히 확률적 설정에서 더 두드러진 우위를 보였다.
• 변수 간 정보 공유와 모델 추정 및 운영 예측 단계 간의 일관성 유지로 인해 과적합 위험을 감소시켰다.
• 결측 데이터 비율이 증가할수록 예측 품질은 저하되지만, FCS 방법은 테스트된 모든 비율에서 뛰어난 성능을 유지했다.
• FCS 모델의 학습 시간은 표준 분위수 회귀(QR) 모델보다 길지만, DeepAR와 같은 딥러닝 기반 베이스라인에 비해 여전히 관리 가능한 수준이었다.
• FCS 방법의 운영 추론 시간은 매우 짧아(1회 예측당 0.01초), 실시간 응용에 적합했다.
• 다수의 보정된 실현값을 통해 일관된 확률적 예측이 가능했으며, 입력과 타겟 양쪽의 불확실성을 자연스럽게 반영했다.