[국제 저널 논문 요약] Experimental Investigation of Variational Mode Decomposition and Deep Learning for Short-Term Multi-Horizon Residential Electric Load Forecasting

0. Paper Information

• Title: Experimental Investigation of Variational Mode Decomposition and Deep Learning for Short-Term Multi-Horizon Residential Electric Load Forecasting
• Authors: Mohamed Aymane Ahajjam, Daniel Bonilla Licea, Mounir Ghogho, Abdellatif Kobbane
• Publication: Applied Energy
• Published Year: 2022

 

1. Introduction

Background

• 스마트 그리드에서 에너지 관리 전략은 에너지 소비를 모니터링, 최적화 및 제어하는 것을 목표로 함
  
  • 전력수요 예측은 에너지 공급에 대한 정보에 입각한 결정을 내릴 수 있게 하여 에너지 생성 및 배분의 효율성을 향상시키는 데 중요한 역할을 함
  • 더 정확한 예측은 에너지 계획 및 공급 운영의 효율성을 크게 향상시킬 수 있음
• 최근 스마트 미터의 보급이 저렴해지면서 주거지에서 에너지 소비 데이터를 수집하는 것이 훨씬 쉬워짐
  
  • 주거 부하 예측에 대한 연구를 촉진하고 유틸리티 및 거주자 모두에게 이익을 줄 수 있음
• 전력수요는 주야 주기와 주말 패턴과 같은 요인에 대한 인간의 행동 반응으로 인해 어느 정도의 규칙성을 가진 확률적 과정임
  
  • 이러한 패턴의 규칙성은 에너지 소비 예측에 매우 중요함
• 전력수요 예측 작업은 주거, 상업 또는 산업 환경에서 연구될 수 있음
  
  • 산업 환경은 일반적으로 정해진 일정에 따라 운영됨
  • 개별 가구는 거주자의 행동이 상당히 즉흥적이고 사전에 계획되지 않아 전기 소비의 변동성이 더 큼
    
    • 주거 환경에서의 전력수요 예측은 다른 환경에 비해 더 어려움
    • 거주자의 소비는 인구통계적 속성(예: 사회경제적 지위, 고용 상태), 주거지의 물리적 특징(예: 주거지 유형, 크기), 그리고 몇 가지 외생 변수(예: 날씨 및 시간)와 같은 다양한 알려진 요인에 의해 영향을 받을 수 있음
    • 주거용 전력수요 예측은 개별 가구의 전기 소비를 독립적으로 예측하는 것과 가구 그룹의 총 소비를 예측하는 두 가지 다른 문제로 나눌 수 있음

 

Previous Research

• 초기 전력수요 예측 연구는 시계열 모델, 회귀 기반 기법, 칼만 필터링을 사용하였음
  
  • 고급 처리 및 기계 학습 기술은 복잡한 부하 프로필을 처리하고 예측 성능을 향상시키는 데 매우 유익함이 입증되었음
  • 최근 딥러닝 모델은 복잡한 특징을 학습하고 기존 기계 학습 알고리즘보다 높은 일반화 능력을 제공하는 데 많은 주목을 받음
• 전력수요 예측은 단일 또는 다중 시간대에 대해 수행될 수 있음
  
  • 단일 시간대 예측에서는 단일 시점에 대한 예측이 이루어지며, 다중 시간대 예측에서는 여러 시점에 대한 예측이 이루어짐
  • 다중 시간대 부하 예측은 연속적인 시간대 간의 시간적 상관 관계를 학습할 수 있게 함
  • 단기(즉, 몇 시간에서 며칠) 주거 부하 예측을 다룬 논문은 거의 없으며, 다중 시간대 주거 부하 예측을 다룬 논문은 더욱 적음
• 주거용 전력수요의 확률적 특성으로 인해 시간-주파수 분석, 내재된 정보 추출, 노이즈 및 중복 정보 제거를 위해 분해 기술을 사용함
  
  • 대부분의 VMD(Variational Mode Decomposition) 기반 연구에서 분해 수준은 임의로 선택되며 성능에 미치는 영향은 평가되지 않음
  • VMD는 입력 시퀀스를 푸리에 스펙트럼 내에서만 분해하여 주파수를 식별하지만, 이와 관련된 시간적 차원은 식별하지 않음
• 기존 연구들의 한계점
  
  • 대부분의 연구에서는 여러 예측을 얻기 위해 재귀적 단일 시간대 예측에 의존함 
    
    • 예측 성능을 향상시키기 위해 부하 프로필에 내재된 소비 패턴과 관련된 시간 정보를 추출하는 추가 방법이 필요함
  • 사회경제적 또는 기상 특징을 설명하는 외생 데이터를 사용하여 예측 성능을 향상시키는 경우가 많음
    
    • 이러한 데이터는 항상 사용할 수 있는 것은 아니며 수집하기 위해 비용이 많이 드는 장비가 필요함
  • 대부분의 연구에서 제안된 기법은 단일 가구, 여러 상업용 건물 또는 시뮬레이션에서의 부하 데이터를 사용하여 평가함
    
    • 다양한 가구의 전기 소비 행동이 성능에 미치는 영향을 평가하지 못함을 의미

 

Proposed Model

• VMD 및 Wavelet 기반 CNN(Convolutional Neural Network)을 사용한 단기 다중 시간대 부하 예측 기술을 제안
  
  • 두 분해 기술의 사용을 통해 부하 프로필에서 다양한 소비 행동을 반영하는 스펙트럼 및 시간 정보를 추출

 

Contribution

• 두 분해 기술의 사용을 통해 부하 프로필에서 다양한 소비 행동을 반영하는 스펙트럼 및 시간 정보를 추출하기 때문에 외생 데이터가 없는 경우에도 예측 성능을 향상시킬 수 있음
• 최적의 결과를 달성하는 최적의 분해 수준을 식별하기 위해 분해 기반 부하 예측 성능에 대한 분해 수준의 영향을 연구함
• 모로코의 5가구에서 수집한 전력수요 데이터를 사용하여 실험을 수행
  
  • 다양한 생활 방식과 소비 패턴을 기반으로 제안 기법을 평가

 

2. Methodology

Overall Structure

• 제안하는 기법 전체 구성도

 

VMD (Variational Mode Decomposition)

• VMD는 신호를 여러 개의 모드로 분해하여 각각의 모드를 분석하는 데 사용되는 신호 처리 기법
• VMD는 각 모드를 중심 주파수와 관련된 고유한 변동 패턴으로 분해하며, 이는 다른 신호 처리 방법들보다 더 정교하고 정확한 분석을 가능하게 함
  
  • VMD는 비선형적이고 비정상적인 신호를 효과적으로 처리
  • 여러 모드를 동시에 추출하여 신호의 다양한 주파수 성분을 개별적으로 분석할 수 있음
  • 입력 신호의 특성에 맞춰 모드를 자동으로 조정하여 최적의 분해 결과를 제공함
  • 신호 내 잡음을 효과적으로 억제하여 정확한 모드 분해를 수행

 

mWDN (multilevel Wavelet Decomposition Network)

• mWDN은 Wavelet 변환을 활용하여 신호나 데이터를 다중 해상도로 분석하는 딥러닝 모델
  
  • Wavelet 변환은 신호를 주파수와 시간 영역 모두에서 분석할 수 있어, 다중 해상도로 데이터의 특징을 포착할 수 있음
  • 시간-주파수 분해(=Wavelet 변환)와 딥 러닝 모델의 두 부분으로 구성
  • 딥 러닝 모델 부분에서는 Wavelet 변환을 통하여 분해된 데이터를 학습하여 특징 추출 및 예측을 수행하고, 각각의 예측 값을 결합하여 최종 예측 값을 계산

 

3. Experimental Result

Dataset

• MORED(Moroccan buildings’ electricity consumption dataset)
  
  • 모로코 도시의 다양한 가구에서 수집된 전력수요 데이터
  • 중상위층 5가구에서 수집된 데이터를 활용함
  • 2020년 여름부터 2021년 늦은 봄까지 30분 단위로 데이터가 수집됨
  • 주거용 부하 프로필은 다양하고 복잡하며 때로는 변동성이 큰 소비 패턴이 반영됨

 

Evaluation Metric

• MAPE(Mean Absolute Percentage Error), RMSE(Root Mean Squared Error), CV(coefficient of variance), and FS(forecast skill)를 평가지표로 사용

 

Result

• 예측 성능 비교 (1)
  • VMD를 포함한 경우, 모델의 예측 정확도가 더 향상됨을 확인
    
    • ResNet, InceptionTime, OmniScale-CNN 모델은 특정 분해 수준에서 최고 성능을 보였고, 이후 분해 수준에서는 성능이 감소
    • SLSTM과 mWDN(InceptionTime) 모델도 유사한 경향을 보였으나, 더 높은 분해 수준에서 최고 성능을 보임
  • 모든 케이스에서 mWDN(InceptionTime) 모델이 가장 높은 성능을 보임
    
    • 각 케이스마다 최적의 분해 수준은 달랐지만, mWDN 모델의 세 가지 변형이 다른 모델들보다 일관되게 높은 성능을 보임

 

• 각 시점 예측 성능 비교
  
  • VMD를 사용하지 않은 경우 모든 시간대에서 가장 높은 오류를 보임
    
    • 예측 모델에 VMD를 적용하면 오류가 감소하였으며, 이는 분해가 성능 향상에 필수적임을 나타냄
  • VMD를 적용한 경우에도 시간이 지남에 따라 오류가 증가하는 경향이 있음

 

• 예측 결과 시각화
  
  • SLSTM 모델은 모든 케이스의 실제 소비 패턴을 잘 따라갔으며, 그 다음으로 InceptionTime 모델이 패턴을 잘 따라감
  • 제안된 모델은 SLSTM보다 더 정확하게 급작스럽고 높은 소비량 피크를 예측할 수 있음

 

4. Conclusion

• 해당 논문에서는 외생 변수가 없는 상황에서 VMD와 mWDN을 활용한 딥러닝이 단기 다중-시간대 주거용 전력수요 예측에 효과적인지를 조사함
  
  • 전력 수요 데이터를 서브 시퀀스로 분해하기 위해 VMD가 사용되며, 웨이블릿 변환은 다중 해상도 소비 패턴을 추출하기 위해 mWDN 모델 내에서 후속 분해로 사용됨
  • 제안하는 기법의 예측 성능을 검증하기 위해 VMD 분해가 있을 때와 없을 때 모두 평가하고, 분해 수준이 예측 성능에 미치는 영향도 조사함
    
    • 제안하는 기법에 VMD 분해 수준 K=127과 mWDN 분해 수준 I=4에서 가장 좋은 성능을 보임
  • 다양한 특성을 가진 모로코의 5 가구에서 수집된 데이터를 사용하여 모델을 평가함
    
    • 제안된 기법이 고려된 방법들 중 가장 효과적임을 확인함
    • 제안된 기법이 주거자의 소비 행동을 설명하는 필수 정보를 포착하는 데 효과적임을 증명