[논문 리뷰] Short-term Load Forecasting at Different Aggregation Levels with Predictability Analysis

Yayu Peng, Yishen Wang외 5명|arXiv (Cornell University)|2019. 03. 26.

Energy Load and Power Forecasting참고 문헌 20인용 수 15

한 줄 요약

이 논문은 아일랜드 스마트 미터 데이터셋을 활용하여 단기 부하 예측(STLF)을 다양한 집계 수준—특히 개인 주거 및 소규모 기업(SME) 부하—에서 조사한다. 약한 엔트로피를 통한 예측 가능성 분석을 도입하고 선형 회귀에서 딥러닝에 이르기까지 다양한 방법을 평가하여, 저집계 수준에서 고도로 변동성이 큰 부하에 대해 데이터 전처리가 예측 정확도를 크게 향상시킨다는 것을 입증한다.

ABSTRACT

Short-term load forecasting (STLF) is essential for the reliable and economic operation of power systems. Though many STLF methods were proposed over the past decades, most of them focused on loads at high aggregation levels only. Thus, low-aggregation load forecast still requires further research and development. Compared with the substation or city level loads, individual loads are typically more volatile and much more challenging to forecast. To further address this issue, this paper first discusses the characteristics of small-and-medium enterprise (SME) and residential loads at different aggregation levels and quantifies their predictability with approximate entropy. Various STLF techniques, from the conventional linear regression to state-of-the-art deep learning, are implemented for a detailed comparative analysis to verify the forecasting performances as well as the predictability using an Irish smart meter dataset. In addition, the paper also investigates how using data processing improves individual-level residential load forecasting with low predictability. Effectiveness of the discussed method is validated with numerical results.

연구 동기 및 목표

• 개인 주거 및 소규모 기업 소비자와 같은 저집계 수준 부하에 초점을 맞춘 단기 부하 예측(STLF) 연구의 격차를 해소한다.
• 약한 엔트로피를 활용해 다양한 부하 유형의 예측 가능성을 정량화하여 내재된 예측 가능성 수준을 평가한다.
• 전통적인 선형 모델에서 최신 딥러닝 기법에 이르기까지 다양한 STLF 기법을 다양한 집계 수준에서 평가한다.
• 저예측 가능성의 개별 수준 부하에 대해 데이터 전처리가 예측 성능 향상에 미치는 영향을 조사한다.
• 실제 아일랜드 스마트 미터 데이터셋을 활용해 다양한 집계 수준에서의 방법론적 효과성을 평가하는 실증적 검증을 제공한다.

제안 방법

• 다양한 집계 수준에서 부하 시계열의 예측 가능성을 정량화하기 위해 약한 엔트로피를 활용하며, 낮은 값일수록 더 규칙적이고 예측 가능함을 의미한다.
• 선형 회귀, 서포트 벡터 회귀, XGBoost, 그리고 LSTM 및 GRU와 같은 딥러닝 아키텍처를 포함한 포괄적인 STLF 모델 세트를 구현한다.
• 개별 수준 부하 데이터의 모델 성능 향상을 위해 정규화, 특징 공학, 노이즈 감소와 같은 데이터 전처리 기법을 적용한다.
• 주거 및 소규모 기업 소비자로부터의 고해상도 부하 측정치를 포함하는 실제 아일랜드 스마트 미터 데이터셋을 모델 훈련 및 평가에 사용한다.
• 집계 수준 간 비교 분석을 수행하여 모델 성능를 평가하고 저집계 수준 부하에 가장 효과적인 접근 방식을 규명한다.
• RMSE 및 MAE와 같은 표준 지표를 사용해 예측 정확도를 평가하며, 결과는 변전소, 도시, 개별 소비자 수준에서 보고된다.

실험 결과

연구 질문

• RQ1 약한 엔트로피로 정량화된 부하 시계열의 예측 가능성은 어떤 집계 수준에서 어떻게 달라지나?
• RQ2 부하 패턴이 높이 변동성이 있고 예측이 어려운 개별 소비자 수준에서 어떤 STLF 기법이 가장 잘 작동하는가?
• RQ3 저집계 수준, 저예측 가능성 부하에 대해 데이터 전처리가 예측 정확도 향상에 얼마나 기여하는가?
• RQ4 다양한 집계 수준에서 전통적인 머신러닝 모델과 딥러닝 모델 간의 성능 비교는 어떻게 이루어지는가?
• RQ5 집계 스펙트럼 전반에서 부하 예측 가능성과 예측 모델 선택 간의 관계는 어떠한가?

주요 결과

• 개별 주거 및 소규모 기업 부하의 예측 가능성은 변전소 또는 도시 수준의 집계 부하보다 현저히 낮으며(약한 엔트로피 값이 높음), 이는 더 높은 변동성을 의미한다.
• 특히 데이터 전처리를 거친 후, LSTM 및 GRU와 같은 딥러닝 모델이 선형 회귀나 XGBoost와 같은 전통적 모델보다 개별 부하 수준에서 더 뛰어난 성능을 보였다.
• 정규화 및 특징 공학과 같은 데이터 전처리 기법은 저집계 수준 부하에 대한 예측 정확도 향상에 명확한 기여를 하였다.
• 고집계 수준과 저집계 수준 간의 성능 격차는 뚜렷했으며, 모든 모델에서 개별 부하의 RMSE 및 MAE 값이 더 높았다.
• 약한 엔트로피 값은 예측 난이도와 강하게 상관되었으며, 낮은 엔트로피(더 규칙적인) 부하 패턴은 더 예측하기 쉬운 것으로 확인되었다.
• 고도로 발전한 모델을 사용하더라도, 개별 수준 부하 예측은 본질적인 변동성로 인해 여전히 도전 과제이며, 이에 맞는 전처리 및 모델링 전략 개발이 필요함을 시사한다.