Electricity Demand Forecasting with Hybrid Statistical and Machine Learning Algorithms: Case Study of Ukraine

要約

タイトル: ウクライナの事例によるハイブリッド統計学と機械学習アルゴリズムを用いた電力需要予測

要約:
– 長期の電力需要予測のために、今回の研究では統計学と機械学習を組み合わせた方法を提案している。
– モデルはウクライナの電力消費量の時間別データを使用しており、2013年から2020年までの期間をカバーする。
– 統計学的手法を用いて年次の長期傾向を評価し、気温とカレンダーを加味したモデルにより中期の予測、そしてARIMAとLSTMを用いたモデルで誤差項を説明している。短期の予測には、カレンダーとARMAモデルを組み合わせたもので季節性を捉えている。
– 複数の回帰モデルとLSTMモデルを組み合わせたハイブリッドモデルが最も良い予測精度を示し、2年間にわたる17,520のタイムステップで96.83％の精度を達成した。

要約(オリジナル)

This article presents a novel hybrid approach using statistics and machine learning to forecast the national demand of electricity. As investment and operation of future energy systems require long-term electricity demand forecasts with hourly resolution, our mathematical model fills a gap in energy forecasting. The proposed methodology was constructed using hourly data from Ukraine’s electricity consumption ranging from 2013 to 2020. To this end, we analysed the underlying structure of the hourly, daily and yearly time series of electricity consumption. The long-term yearly trend is evaluated using macroeconomic regression analysis. The mid-term model integrates temperature and calendar regressors to describe the underlying structure, and combines ARIMA and LSTM “black-box” pattern-based approaches to describe the error term. The short-term model captures the hourly seasonality through calendar regressors and multiple ARMA models for the residual. Results show that the best forecasting model is composed by combining multiple regression models and a LSTM hybrid model for residual prediction. Our hybrid model is very effective at forecasting long-term electricity consumption on an hourly resolution. In two years of out-of-sample forecasts with 17520 timesteps, it is shown to be within 96.83 \% accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI