2021_アンサンブル学習による電力需要予測

2.7K Views

March 30, 22

スライド概要

profile-image

小平大輔 - 筑波大学エネルギー・環境系助教。現在の研究テーマは、電気自動車の充電スケジューリング、エネルギー取引のためのブロックチェーン、太陽光発電とエネルギー需要の予測など。スライドの内容についてはお気軽にご相談ください:kodaira.daisuke.gf[at]u.tsukuba.ac.jp

シェア

またはPlayer版

埋め込む »CMSなどでJSが使えない場合

関連スライド

各ページのテキスト
1.

アンサンブル学習による 電力需要予測 2021/1/21 1

2.

目次 • 研究背景 • 研究内容 • • • • • K-means法 ニューラルネットワークとLSTM アンサンブルモデル 予測区間の算出 予測条件 • 結果 • 改善点 • まとめ 2

3.

研究背景 • 電力需要予測は電力の安定供給、経済的な発電設備の運用のた めに高い予測精度が求められる • 機械学習を用いて予測を行うことで定量的な予測が可能 →どの予測手法でも一定の誤差は存在する アンサンブル学習 複数の手法を組み合わせることで誤差を小さくすることができる 予測区間 予測の信頼度を定量的に示すことができる 3

4.

研究内容 ⚫予測モデル K-means法 ニューラルネットワーク Long Short-Term Memory(LSTM) アンサンブルモデル ⚫予測に用いる入力データ • 時間(年月日、時刻、曜日) • 天気(雲量に合わせて4段階に分類) • 最高気温 ⚫95%予測区間 95%の確率で実測値がその区間に入るとする予測区間を推定する。 4

5.

K-means法 ①k個のクラスターの初期値をランダムに決定する ②距離に基づいてデータのすべてのサンプルをクラスターに割り当てる ③各クラスターのデータサンプルの重心を使用してクラスターの中心を決定する ④適切にクラスターが収束されるまで繰り返す ① ② 電力 電力 電力 気温 電力 電力 電力 電力 電力 気温 気温 気温 気温 気温 ③ 気温 図1 K-means法 気温 5

6.

ニューラルネットワークとLSTM • ニューラルネットワーク 層 入力に対して得られる出力が適切となるよ うに、出力との誤差を教師信号として与え、ニュ ー ロ 結合荷重を定める ン 日付 最高 気温 • Long Short-Term Memory(LSTM) ニューラルネットワークでは過去の学習 情報を持続することができない →LSTMでは長期的なデータの依存 関係を学習することができる。 電力 需要 ℎ(𝑎) 天気 図2 ニューラルネットワーク 入力 入力 入力 入力 (0時) (1時) (2時) (23時) A A A 電力 電力 電力 電力 (0時) (1時) (2時) (23時) 図3 LSTM … A 6

7.

アンサンブルモデル 予測値𝑦ො𝑡𝑖 アンサンブルモデルは次のように定める。 𝑦ො1𝑖 各予測の重み = ෡𝑡𝑖 𝑝𝑡 𝐾 + K-means 𝑞𝑡 𝐿෠𝑖𝑡 + ෡𝑡𝑖 𝑟𝑡 𝑀 ニューラル LSTM ネットワーク 各予測の予測結果 𝒂𝒓𝒈 𝐦𝐢𝐧 𝑝𝑡 ,𝑞𝑡 ,𝑟𝑡 𝕐𝑖 ≔ ෡𝑖 ≔ 𝕐 ෡𝑖 𝕐𝑖 − 𝕐 𝑦1𝑖 , 𝑦2𝑖 , 𝑦3𝑖 𝑦ො1𝑖 , 𝑦ො2𝑖 , 𝑦ො3𝑖 𝑦1𝑖 … 誤差 実測値𝑦𝑡𝑖 𝑦ො2𝑖 2 𝑖 … 𝑦96 𝑖 … 𝑦ො96 𝑖:日付 𝑡:時刻 𝑦2𝑖 電力 𝑦ො𝑡𝑖 時刻 (実測値) (予測値) 図4 アンサンブルモデルのイメージ 誤差が最小となるように 時刻ごとに重み𝒑𝒕 , 𝒒𝒕 , 𝒓𝒕を決定 7

8.

予測区間の算出 学習の際に各時刻における予測結果と実際の値の差(誤差)の標準 偏差𝜎を求め、予測を行う際に下の式のように95%予測区間を導く 予測値 μ 予測区間 95%予測区間 = 𝜇 ± 2𝜎 𝜇: 予測値 𝜎: 誤差の標準偏差 2𝜎 2𝜎 図5 95%予測区間 8

9.

予測条件 • 予測日:2018年 8月1日 • 予測場所:韓国電力公社電力研究所 • 学習に使用したデータ:時間、最高気温、天気、電力需要 • 学習データの期間:予測日の直前30日(2018年7月2日~7月31日) 学習データ(30日分) 7月2日 予測データ (1日分) 8月1日 8月2日 図6 予測に用いるデータの期間 9

10.

結果 表 1 シミュレーション結果 予測結果 実測値 95%予測区間 MAPE[%] RMSE[kW] アンサンブル モデル 8.00 61.7 K-means 14.19 122.8 ニューラルネット ワーク 8.75 63.2 LSTM 10.08 89.2 3手法と比較して良好な結果 問題点 予測結果が実際の値を下回る 予測区間: 59.375[%]/95[%] 図7 アンサンブルモデルの結果 冷房需要の多い日(最高気温が高い日) の学習が不十分→バイアスエラー 10

11.

改善点 • バイアスエラーの改善 連日、同じように予測値が実測値を外れる誤差 →バイアスエラー 800 700 誤差 • 95%予測区間の求め方の変更 データ数 600 正規分布の場合 500 400 300 正規分布を前提で±2𝜎として求めている →実際は正規分布ではない シャピロ-ウィルク検定によるP=2.2 × 10−16 以下 200 100 0.05以下なので正規分布ではない 図8 誤差の分布 11 -80~-90 -90~-100 -70~-80 -60~-70 -50~-60 -40~-50 -30~-40 誤差[kW] -20~-30 -10~-20 10~0 0~-10 20~10 30~20 40~30 50~40 60~50 70~60 80~70 90~80 100~90 0

12.

まとめ • アンサンブルモデルを用いることで、各手法と比較して精度を 向上させることができた。 (MAPE:0.75~6.19% RMSE1.5~61.1kW 向上) • 95%予測区間の中に含まれるデータ数が60%と低い • 95%予測区間の求め方の変更やバイアスエラーの修正等改善す る点がある。 12