[論文レビュー] An Unsupervised Deep Learning Approach for Scenario Forecasts

Yize Chen, Xiyu Wang+1 more|arXiv (Cornell University)|Nov 7, 2017

Energy Load and Power Forecasting参考文献 15被引用数 8

ひとこと要約

本論文は、生成対抗ネットワーク（GAN）を用いて、歴史的データを学習し、点予測に条件付けられた現実的で時間的に相関のあるシナリオを生成する、モデルフリーでデータ駆動の教師なし深層学習手法を提案する。GANを歴史的データ上で訓練し、ノイズベクトルを最適化することで、複数の予測期間にわたり多様でシャープで信頼性のあるシナリオを生成する。従来のガウス・コプゥラ法と比較して、シナリオの質と信頼性指標において優れている。

ABSTRACT

In this paper, we propose a novel scenario forecasts approach which can be applied to a broad range of power system operations (e.g., wind, solar, load) over various forecasts horizons and prediction intervals. This approach is model-free and data-driven, producing a set of scenarios that represent possible future behaviors based only on historical observations and point forecasts. It first applies a newly-developed unsupervised deep learning framework, the generative adversarial networks, to learn the intrinsic patterns in historical renewable generation data. Then by solving an optimization problem, we are able to quickly generate large number of realistic future scenarios. The proposed method has been applied to a wind power generation and forecasting dataset from national renewable energy laboratory. Simulation results indicate our method is able to generate scenarios that capture spatial and temporal correlations. Our code and simulation datasets are freely available online.

研究の動機と目的

• 不確実性下での複雑で非ガウス的かつ時間的に相関のある再生可能エネルギー発電をモデル化する課題に対処すること。
• さまざまな予測期間や予測区間に適用可能な柔軟でモデルフリーのシナリオ生成フレームワークを開発すること。
• 空間的および時間的依存関係を保持しつつ、点予測の誤差に対して頑健な高品質なシナリオを生成すること。
• 従来のシナリオ予測手法で一般的に用いられる強い統計的仮定や物理モデルへの依存を排除すること。

提案手法

• 生成対抗ネットワーク（GAN）を、歴史的再生可能エネルギー発電データ上で教師なしに訓練し、元のデータ分布を学習する。
• 生成器ネットワークは、ランダムなノイズベクトルを、実際の歴史的データの統計的性質を模倣する合成時系列データにマッピングする。
• 識別器ネットワークは、実際の歴史的時系列データと生成されたサンプルを区別し、敵対的訓練によりサンプルの現実性を向上させる。
• 訓練後、与えられた点予測に条件付けられたシナリオを生成するためにノイズベクトル上で最適化問題を解く。これにより、予測されたトレジャクトリと整合性が保証される。
• シナリオの信頼性とシャープネスを同時に評価する指標として、連続ランク確率スコア（CPRS）を用いる。
• 本手法はスケーラブルであり、異なる予測期間や予測区間に対応するための再訓練を必要としない。

実験結果

リサーチクエスチョン

• RQ1 教師なしの深層学習モデルは、明示的な確率的仮定を必要とせず、現実的で時間的に相関のある再生可能エネルギー発電シナリオを生成できるか？
• RQ2 提案手法は、従来の統計的手法と比較して、生成されたシナリオにおける空間的および時間的依存関係をどの程度正確に保持できるか？
• RQ3 本手法は、さまざまな予測期間や予測区間において、どの程度シャープで信頼性のあるシナリオを生成できるか？
• RQ4 ガウス・コプゥラ法などの確立された手法と比較して、本手法のシナリオの質と信頼性指標における性能はどの程度か？

主な発見

• 生成されたデータと実際のデータの共分散行列の類似性から、提案手法は時間的相関を正確に捉えていることが示された。
• 全予測期間において、提案手法のCPRSスコアが経験的ガウス・コプゥラ法を上回り、生成されたシナリオの信頼性とシャープネスが優れていることが示された。
• 12時間予測期間では、提案手法のCPRSスコアがガウス・コプゥラ法よりも約12%低く、シナリオの質が優れていることを示している。
• 点予測が不正確であっても、特に高い予測区間（例：α = 3）において、実際の実現値をカバーするシナリオを効果的に生成できた。
• 4時間から12時間までのさまざまなリードタイムにおいて一貫した性能を示し、頑健性とスケーラビリティが確認された。
• 最適化に基づく生成ステップにより、再訓練を必要とせず、迅速かつオンデマンドでのシナリオ生成が可能となり、リアルタイム応用に適している。