[論文レビュー] Short-Term Electricity Price Forecasting based on Graph Convolution Network and Attention Mechanism

Yuyun Yang, Zhenfei Tan+3 more|arXiv (Cornell University)|Jul 26, 2021

Energy Load and Power Forecasting参考文献 23被引用数 9

ひとこと要約

本稿では、電力系統のバス間における空間的依存関係と時間的負荷ダイナミクスの両方をモデル化することで、短期的な局所的マージナルプライス（LMP）予測を改善する注目メカニズムを備えたグラフ畳み込みネットワーク（ASTGCN）を提案する。ベースラインGCNと比較して、RMSE平均で15.3%低減、MAEで17.7%低減を達成し、重要な送電ノードおよび時間ステップにおける学習済み注目重みにより解釈可能性が向上している。

ABSTRACT

In electricity markets, locational marginal price (LMP) forecasting is particularly important for market participants in making reasonable bidding strategies, managing potential trading risks, and supporting efficient system planning and operation. Unlike existing methods that only consider LMPs' temporal features, this paper tailors a spectral graph convolutional network (GCN) to greatly improve the accuracy of short-term LMP forecasting. A three-branch network structure is then designed to match the structure of LMPs' compositions. Such kind of network can extract the spatial-temporal features of LMPs, and provide fast and high-quality predictions for all nodes simultaneously. The attention mechanism is also implemented to assign varying importance weights between different nodes and time slots. Case studies based on the IEEE-118 test system and real-world data from the PJM validate that the proposed model outperforms existing forecasting models in accuracy, and maintains a robust performance by avoiding extreme errors.

研究の動機と目的

• 電力ネットワークのトポロジーに起因する空間相関を無視する、従来のLMP予測モデルがバス価格を独立した時系列として扱うという限界を是正する。
• 統合的なディープラーニングフレームワーク内でトポロジー構造と歴史的負荷パターンの両方を統合することで、予測精度を向上させる。
• ノードおよび時間ステップにわたる動的注目重みを学習することで、影響力のある送電ノードおよび重要な期間を特定し、モデルの解釈可能性を高める。
• 個々のノードのモデル学習を回避するスケーラブルなワンモデルソリューションを提供し、同時に複数ノードのLMP予測を実現する。

提案手法

• IEEE-118システムの118バス間におけるトポロジー的関係を符号化するためにスペクトル的グラフ畳み込みネットワーク（GCN）を採用し、LMPにおける空間的依存関係を捉える。
• エネルギー、潮流、損失成分のLMPを別々に予測できる三本のブランチアーキテクチャを設計することで、成分別モデリングと解釈可能性の向上を実現する。
• 時系列負荷パターンと時間的トレンドをモデル化するための時空間畳み込みブロックを統合し、動的価格行動の予測能力を強化する。
• 異なるノードおよび時間ステップに可変の重要性重みを割り当てる注目メカニズムを適用し、モデルが重要な送電ノードおよび影響力のある歴史的期間に注目できるようにする。
• 実世界のPJMデータおよびIEEE-118テストシステムデータを用いて、LMP予測のMAEおよびRMSEを最適化する形でエンドツーエンドのASTGCNモデルを訓練する。
• 最終的なLMP値の正確な分解と再構成を保証するため、成分別および集約的LMP予測誤差を組み合わせたハイブリッド損失関数を用いる。

実験結果

リサーチクエスチョン

• RQ1 グラフ畳み込みネットワークは、送電ネットワーク全体における局所的マージナルプライス間の空間的依存関係を効果的にモデル化できるか？
• RQ2 時空間畳み込みと注目メカニズムを統合することで、標準的なGCNやRNNベースのモデルと比較して、予測精度がどの程度向上するか？
• RQ3 注目メカニズムは、重要な送電ノードおよび時間帯をどの程度明確に特定できるか、LMP予測における解釈可能性にどの程度貢献するか？
• RQ4 提案されたASTGCNモデルは、ARIMA、MLP、LSTMといった従来モデルと比較して、実世界データにおける予測誤差と頑健性の面で優れているか？

主な発見

• ASTGCNモデルは、IEEE-118システムにおいてベースラインGCNと比較して、平均RMSEを15.3%低減、MAEを17.7%低減した。
• テストセットでは、平均絶対誤差（MAE）が0.8228 $/MWh、RMSEが1.5383 $/MWh²を記録し、以前の最先端モデルを上回った。
• 注目重みは、IEEE-118ネットワークのトポロジー的中心性と整合する19の重要な送電ノード（例：5, 9, 10, 25, 30, 61, 65, 81, 89, 111）を特定した。
• 注目メカニズムは大多数のノードでモデル性能を向上させたが、価格の急上昇が顕著なノード（例：ノード71）ではわずかに性能が劣り（RMSEが高くなった）、急激な変化に敏感であることが示された。
• 三本のブランチアーキテクチャにより、LMPをエネルギー、潮流、損失成分に正確に分解でき、潮流要因の予測精度は93.68%を維持した。
• 実世界のPJMデータおよびIEEE-118テストシステムの両方で、異なるシステム状態においてもモデルの頑健性と一般化性能を維持し、一貫した性能向上を達成した。