[논문 리뷰] Electricity Demand Forecasting with Hybrid Statistical and Machine Learning Algorithms: Case Study of Ukraine

Tatiana Gonzalez Grandon, Johannes Schwenzer외 2명|arXiv (Cornell University)|2023. 04. 11.

Energy Load and Power Forecasting인용 수 5

한 줄 요약

이 논문은 우크라이나의 국가 전력 수요를 위한 새로운 하이브리드 예측 모델을 제안한다. 이 모델은 장기, 중기, 단기 예측 수평을 고려하여 고급 경제학적, 기후적, 달력 변수를 ARIMA 및 LSTM 모델과 융합하여 시간당 수요를 예측한다. 모델은 17,520건의 시간당 검증 예측에서 96.83%의 정확도를 달성하여, 설명 가능한 통계적 구조와 딥러닝을 결합한 잔차 보정 기법으로 뛰어난 성능을 보였다.

ABSTRACT

This article presents a novel hybrid approach using statistics and machine learning to forecast the national demand of electricity. As investment and operation of future energy systems require long-term electricity demand forecasts with hourly resolution, our mathematical model fills a gap in energy forecasting. The proposed methodology was constructed using hourly data from Ukraine's electricity consumption ranging from 2013 to 2020. To this end, we analysed the underlying structure of the hourly, daily and yearly time series of electricity consumption. The long-term yearly trend is evaluated using macroeconomic regression analysis. The mid-term model integrates temperature and calendar regressors to describe the underlying structure, and combines ARIMA and LSTM ``black-box'' pattern-based approaches to describe the error term. The short-term model captures the hourly seasonality through calendar regressors and multiple ARMA models for the residual. Results show that the best forecasting model is composed by combining multiple regression models and a LSTM hybrid model for residual prediction. Our hybrid model is very effective at forecasting long-term electricity consumption on an hourly resolution. In two years of out-of-sample forecasts with 17520 timesteps, it is shown to be within 96.83 \% accuracy.

연구 동기 및 목표

• 국가 에너지 계획을 위한 시간당 해상도에서의 정확한 장기 전력 수요 예측의 부족을 해결하기 위해.
• 정확도 향상을 위해 통계적 기법과 기계학습 기법을 융합한 다중 수평 예측 프레임워크를 개발하기 위해.
• 우크라이나의 전력 소비에 영향을 주는 고급 경제학적, 기후적, 시간적 요인 간의 상호작용을 모델링하기 위해.
• 전통적인 통계 기법과 딥러닝을 융합한 하이브리드 모델이 잔차 오차 보정에 있어 예측 정확도를 크게 향상시키는지 평가하기 위해.
• 다른 국가에서 사용 가능한 데이터 조건이 유사한 경우에 적용 가능한 오픈소스 및 자동화된 프레임워크를 제공하기 위해.

제안 방법

• 모델은 시간 척도에 따라 전력 수요를 장기, 중기, 단기 구성요소로 분해한다.
• 장기 예측은 연간 추세를 포착하기 위해 고급 경제학적 및 인구 통계 변수에 대한 선형 회귀를 사용한다.
• 중기 예측은 기온 및 달력 회귀변수를 ARIMA 및 LSTM 모델과 결합하여 구조적 패턴과 잔차 오차를 포착한다.
• 단기 예측은 달력 기반 회귀변수와 다중 ARMA 모델을 활용하여 시간대별 계절성 및 잔차 동역학을 모델링한다.
• 하이브리드 접근법은 구조적 시계열 구성요소에 대해 ARIMA를, 비선형 잔차 패턴에 대해 LSTM을 사용하여 예측 정확도를 향상시킨다.
• 모든 모델은 R 및 파이썬으로 구현되었으며, 전체 코드와 데이터 파이프라인은 자동화 및 재사용을 위한 오픈소스 소프트웨어로 제공된다.

실험 결과

연구 질문

• RQ1 하이브리드 통계 및 기계학습 모델은 시간당 해상도에서 장기 전력 수요 예측을 어떻게 향상시킬 수 있는가?
• RQ2 고급 경제학적, 기후적, 달력 변수가 우크라이나의 국가 전력 수요 추세를 얼마나 잘 설명하는가?
• RQ3 ARIMA와 LSTM 모델을 조합하여 잔차 예측을 수행할 경우, 단독 모델 대비 예측 정확도가 크게 향상되는가?
• RQ4 코로나19 패닉의 시작과 같은 실제 세계의 충격 상황에서 모델의 성능은 어떻게 되는가?
• RQ5 제안된 방법론은 자동화 및 일반화되어 다른 국가 에너지 시스템에 적용 가능한가?

주요 결과

• 하이브리드 모델은 2019년과 2020년에 대해 17,520건의 시간당 예측에서 평균 절대 퍼센트 오차(MAPE) 3.17%를 기록했으며, 정확도는 96.83%였다.
• 2020년에 모델의 정확도가 약간 감소(비교 MAPE 3.56%)했으며, 이는 외부 충격에 민감함을 시사한다.
• ARIMA와 LSTM을 조합하여 잔차 모델링을 수행한 결과, 개별 모델 대비 예측 정확도가 뚜렷이 향상되었다.
• 단기 모델은 시각적 검토를 통해 2019년과 2020년의 샘플 주간 데이터에서 매일 및 매주 계절 패턴을 효과적으로 포착했다.
• 고급 경제학적 변수 기반 장기 모델은 2013년부터 2020년까지 전력 소비의 기본 연간 추세를 성공적으로 포착했다.
• 모델의 오픈소스 구현은 다른 국가에서 유사한 데이터 가용성이 있는 경우에 국가 에너지 계획을 위한 자동화 및 재사용을 가능하게 한다.