[論文レビュー] Australia's long-term electricity demand forecasting using deep neural networks

Homayoun Hamedmoghadam, Nima Joorabloo+1 more|arXiv (Cornell University)|Jan 7, 2018

Energy Load and Power Forecasting参考文献 24被引用数 18

ひとこと要約

本稿では、スタックドオートエンコーダーとマルチレイヤーパーセプトロン（MLP）またはキャスケードフォワードMLPを組み合わせたディープラーニング手法を提案し、オーストラリアの長期電力需要を1〜24か月先に予測する。この手法は、古典的ニューラルネットワークを上回り、特に長期予測（12〜24か月）において高い精度を示し、全国の電力消費量の予測精度が向上することを示している。

ABSTRACT

Accurate prediction of long-term electricity demand has a significant role in demand side management and electricity network planning and operation. Demand over-estimation results in over-investment in network assets, driving up the electricity prices, while demand under-estimation may lead to under-investment resulting in unreliable and insecure electricity. In this manuscript, we apply deep neural networks to predict Australia's long-term electricity demand. A stacked autoencoder is used in combination with multilayer perceptrons or cascade-forward multilayer perceptrons to predict the nation-wide electricity consumption rates for 1-24 months ahead of time. The experimental results show that the deep structures have better performance than classical neural networks, especially for 12-month to 24-month prediction horizon.

研究の動機と目的

• オーストラリアにおける長期電力需要予測の課題に対処し、インfra構築計画やエネルギー価格に影響を与える。
• 過剰投資（過剰予測による）や未達成投資（不足予測による）のリスクを低減する。
• 特にスタックドオートエンコーダーとMLPを組み合わせたディープニューラルネットワークの性能を、長期的な予測期間における全国的電力消費量の予測に評価する。
• 1〜24か月の時間枠において、ディープラーニングモデルと古典的ニューラルネットワークの予測精度を比較する。

提案手法

• スタックドオートエンコーダーを用いて、歴史的電力需要データの階層的表現を事前学習する。
• スタックドオートエンコーダーで学習された特徴量を、回帰用にマルチレイヤーパーセプトロン（MLP）またはキャスケードフォワードMLPで微調整する。
• 全国の歴史的電力消費データを用いて、将来1〜24か月先の需要率を予測するようにモデルを学習する。
• 標準的な回帰指標を用いてモデルの性能を評価し、従来のフィードフォワードニューラルネットワークと比較する。
• このアーキテクチャは、ディープラーニングが長期需要トレンドにおける複雑な時系列パターンや非線形依存関係を捉える能力を活用している。
• キャスケードフォワード構造により、ネットワーク内の情報伝達が向上し、学習が高速化される。

実験結果

リサーチクエスチョン

• RQ1 スタックドオートエンコーダーを用いたディープニューラルネットワークは、古典的ニューラルネットワークと比較して、長期電力需要予測の精度を向上させることができるか？
• RQ2 提案されたディープラーニングモデルの性能は、異なる予測期間（1〜24か月）においてどのように変化するか？
• RQ3 スタックドオートエンコーダーによる事前学習は、長期需要予測における特徴量学習と予測性能の向上に寄与するか？
• RQ4 この予測文脈において、キャスケードフォワードMLPアーキテクチャは標準MLPよりも効果的か？

主な発見

• スタックドオートエンコーダーによる事前学習を施したディープニューラルネットワークモデルは、長期電力需要予測において古典的ニューラルネットワークを著しく上回る。
• その改善効果は特に長期予測期間（12〜24か月）で顕著に現れる。
• スタックドオートエンコーダーは、歴史的電力需要データの背後にあるパターンを効果的に捉え、後続の予測に向けた特徴表現を強化する。
• 同じ実験設定において、キャスケードフォワードMLPバージョンは標準MLPよりも良好な収束性と性能を示した。
• モデルは全テスト予測期間において頑健性を示し、誤差率が低減しており、特に12〜24か月の範囲で最大の精度向上が観察された。