[논문 리뷰] A Deep Learning Framework for Short-term Power Load Forecasting

Tinghui Ouyang, Yusen He외 3명|arXiv (Cornell University)|2017. 11. 30.

Energy Load and Power Forecasting참고 문헌 10인용 수 57

한 줄 요약

이 논문은 Box-Cox 변환, parametric copula를 통한 꼬리 의존성 분석, 그리고 딥 빌리프 네트워크를 활용하는 데이터 기반의 단기 그리드 부하 예측 프레임워크를 제안하며, 텍사스 도시 지역 데이터셋을 사용하여 당일 예측(day-ahead) 및 주간 예측(week-ahead)을 평가하고 여러 베이스라인 모델보다 성능이 우수하다.

ABSTRACT

The scheduling and operation of power system becomes prominently complex and uncertain, especially with the penetration of distributed power. Load forecasting matters to the effective operation of power system. This paper proposes a novel deep learning framework to forecast the short-term grid load. First, the load data is processed by Box-Cox transformation, and two parameters (electricity price and temperature) are investigated. Then, to quantify the tail-dependence of power load on the two parameters, parametric Copula models are fitted and the threshold of peak load are computed. Next, a deep belief network is built to forecast the hourly load of the power grid. One year grid load data collected from an urbanized area in Texas, United States is utilized in the case studies. Short-term load forecasting are examined in four seasons independently. Day-ahead and week-ahead load forecasting experiments are conducted in each season using the proposed framework. The proposed framework is compared with classical neural networks, support vector regression machine, extreme learning machine, and classical deep belief networks. The load forecasting performances are assessed by mean absolute percentage error, root mean square error, and hit rate. Computational results confirm the effectiveness of the proposed data-driven deep learning framework. The prediction accuracies of both day-ahead forecasting and week-ahead forecasting demonstrate that the proposed framework outperforms the tested algorithms.

연구 동기 및 목표

• 현대 그리드에서 distributed energy resources로 인한 정확한 단기 전력 부하 예측의 중요성을 동기 부여한다.
• 변환, 꼬리 의존성 모델링, 그리고 딥 러닝을 결합한 데이터 기반 프레임워크를 개발하여 시간별 부하 예측.
• 일간 및 주간 예측 horizons에 대한 계절별 예측 정확도 평가.
• 제안된 프레임워크를 고전적인 신경망, SVR, ELM, 및 고전적인 DBN과 비교.
• 표준 지표(MAE, RMSE, hit rate)로 성능 정량화.

제안 방법

• 부하 데이터에 Box-Cox 변환 적용.
• 두 매개변수(전력 가격과 온도)를 요인으로서 조사.
• tail-dependence를 정량화하고 정점 부하 임계값을 결정하기 위해 파라메트릭 코퓰라 모델을 적합.
• 주당 부하를 예측하기 위해 딥 빌리프 네트워크 구성.
• 네 계절에 걸친 당일 예측(day-ahead) 및 주간 예측(week-ahead) 실험을 수행.
• 고전적 신경망, 서포트 벙터 회귀, ELM, 및 고전적 딥 빌리프 네트워크와 벤치마크한다.

실험 결과

연구 질문

• RQ1 제안된 프레임워크가 전통적 모델과 비교하여 단기(당일 예측 및 주간 예측) 부하 예측 정확도를 향상시키는가?
• RQ2 가격과 온도가 꼬리 의존성을 통해 부하에 어떤 영향을 미치며, 이것이 피크 부하 임계값에 어떤 영향을 미치는가?
• RQ3 실도시 지역 데이터셋의 시간별 부하에 대해 계절에 걸쳐 예측 성능이 일관되는가?
• RQ4 이 맥락에서 Box-Cox 변환과 꼬리 모델링 기반의 코퓰라의 상대적 장점은 무엇인가?

주요 결과

• 프레임워크가(day-ahead 및 week-ahead 작업 모두에서) 테스트된 베이스라인보다 예측 정확도를 향상시킴.
• 꼬퓰라를 이용한 꼬리 의존성 분석이 예측 파이프라인 내 피크 부하 임계값 설정에 정보를 제공함.
• 계절성 실험에서 제안된 접근법이 네 계절에 걸쳐 효과적으로 유지됨.
• 비교 방법으로 고전적 신경망, SVR, ELM, 및 고전적 DBN이 포함되며, 제안된 프레임워크가 평가 지표에서 이를 능가함.