0. Paper Information
- Title: Comparison of Neural Network Based Approaches for Short-term Residential Energy Load Forecasting
- Authors: Stamatis Tsianikas, Xiang Xie, Ramprakash Srinivasan Puri, Ajith Kumar Parlikad, David W. Coit
- Publication: In IIE Annual Conference. Proceedings. Institute of Industrial and Systems Engineers (IISE)
- Published Year: 2022
1. Introduction
Background
- 건물 부문은 전 세계적으로 주요 에너지 소비자로 인식되며, 전 세계 에너지 소비의 30% 이상과 관련된 탄소 배출의 3분의 1을 차지함
- 전력망은 발전소에서 건물로 전기를 전달하는 상호 연결된 네트워크로서, 다양한 건물과 시설의 전력 수요를 충족시키도록 설계됨
- 특히 스마트 그리드 분야에서 전력망의 효율적이고 신뢰할 수 있는 운영을 위해 에너지 부하 예측이 중요함
- 에너지 부하 예측은 소비자에게 끊김 없는 전력 공급을 보장하고 에너지 소비를 줄이는 데 기여
- 에너지 부하 예측은 네 가지 범주로 나눌 수 있음
- 예측 기간이 몇 분 이내인 초단기 부하 예측(VSTLF)
- 몇 분에서 일주일 앞까지의 단기 부하 예측(STLF)
- 일주일에서 일 년 앞까지의 중기 부하 예측 (MTLF)
- 1년 이상 앞의 장기 부하 예측 (LTLF)
- 단기 수요 예측은 전력 시스템 운영 일정 수립, 에너지 균형 유지 및 에너지 시장 거래에 필요함
- 전력망 설정 내에서 전력 시스템 계획 및 운영을 개선하는 데 중요한 역할
Proposed Model
- 해당 논문에서는 주거지 및 기타 시설을 위한 단기 부하 예측에 초점을 맞추고 있음
2. Methodology
GRU (Gated Recurrent Unit)
- GRU은 순환 신경망(RNN)의 한 종류로, 장단기 의존성을 효과적으로 학습하기 위해 개발된 모델
- LSTM과 유사한 목적을 가지고 있지만, 더 간단한 구조를 가지고 있어 계산 효율성이 높음
- 단순한 구조를 가지면서도 유사한 성능을 제공
- 업데이트 게이트와 리셋 게이트를 사용하여 정보를 선택적으로 기억하거나 망각
- 장기 의존성 문제를 해결하여 긴 시퀀스 데이터에서도 중요한 정보를 유지하고 학습할 수 있음
- LSTM과 유사한 목적을 가지고 있지만, 더 간단한 구조를 가지고 있어 계산 효율성이 높음
3. Experimental Result
Dataset
- 벤치마크 전기 에너지 부하 데이터셋
- UKPN(UK Power Networks)가 주도한 Low Carbon London 프로젝트에 참여한 5,567개의 런던 가정에서 수집
- 30분 단위로 데이터가 수집되어 있음
- 기상 데이터가 함께 제공됨
- 미국 전기 에너지 부하 데이터셋
- 미국 전역의 TMY3 위치에 대한 에너지 효율 및 재생 에너지 사무소에서 제공
- 기상 데이터는 Meteoblue와 NREL의 상호작용 데이터 뷰어 도구를 통해 수집
- 1년 동안의 관측치로 구성되며, 95:5 비율로 훈련/검증 데이터로 나눔
Evaluation Metric
- 평가지표로 NRMSE(Normalized Root Mean Squared Rrror), maxERR(Maximum Error), runtime을 사용
Result
- 다양한 신경망 아키텍처의 성능 비교
- 30분 전 예측보다 6시간 전 예측에서의 성능차이가 더 작음
- CNN은 NRMSE와 maxERR 측면에서 나쁘지만 가장 runtime이 짧음
- LSTM, GRU은 NRMSE와 maxERR 모두에서 다른 모델들을 능가했지만 더 느림
- GRU가 가장 우수한 성능을 달성하였고 LSTM보다 현저히 빠름
- 시설 규모의 영향 분석
- 시설의 크기가 커짐에 따라 더 낮은 오류가 관찰되는 현상을 확인
- 기상 예측 변수의 영향 분석
- 기상 정보를 활용하면 예측 성능이 향상됨을 확인
- 신경망 접근 방식에서 큰 성능 향상을 보임
4. Conclusion
- 해당 논문에서는 신경망 기반 접근 방법들을 비교함
- 신경망 구조들 중 RNN 계열의 모델이 가장 우수한 성능을 보임
- GRU는 LSTM보다 상당히 속도를 보임
- 단기 에너지 부하 예측에 기상 예측 변수를 도입하면 정확도가 향상됨을 확인
- 신경망 구조들 중 RNN 계열의 모델이 가장 우수한 성능을 보임