A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers

要約

短期負荷予測 (STLF) は、電力網とエネルギー市場を効果的かつ経済的に運営するために不可欠です。
しかし、電力需要の非線形性と非定常性、およびさまざまな外部要因への依存性により、STLF は困難な課題となっています。
この目的を達成するために、STLF の文献でいくつかの深層学習モデルが提案され、有望な結果が報告されています。
前日予測設定における前述のモデルの精度を評価するために、この論文ではポルトガルの全国純集計 STLF に焦点を当て、一連の指標となる十分に確立された深い自己回帰モデル、すなわち複数の分析モデルを考慮した比較研究を実施します。
層パーセプトロン (MLP)、長短期記憶ネットワーク (LSTM)、神経基底展開係数分析 (N-BEATS)、時間畳み込みネットワーク (TCN)、および時間融合変換器 (TFT)。
さらに、需要に大きく影響する要因を特定し、それが各モデルの精度に及ぼす影響を調査します。
私たちの結果は、N-BEATS が他の調査対象モデルよりも一貫して優れていることを示唆しています。
MLP はこれに続き、比較的洗練されたアーキテクチャ上でフィードフォワード ネットワークを使用することに対するさらなる証拠を提供します。
最後に、時刻や気温などの特定のカレンダーと天気の特徴が精度の重要な要因として特定され、ケースごとに使用すべき予測アプローチに関する洞察が得られます。

要約(オリジナル)

Short-term load forecasting (STLF) is vital for the effective and economic operation of power grids and energy markets. However, the non-linearity and non-stationarity of electricity demand as well as its dependency on various external factors renders STLF a challenging task. To that end, several deep learning models have been proposed in the literature for STLF, reporting promising results. In order to evaluate the accuracy of said models in day-ahead forecasting settings, in this paper we focus on the national net aggregated STLF of Portugal and conduct a comparative study considering a set of indicative, well-established deep autoregressive models, namely multi-layer perceptrons (MLP), long short-term memory networks (LSTM), neural basis expansion coefficient analysis (N-BEATS), temporal convolutional networks (TCN), and temporal fusion transformers (TFT). Moreover, we identify factors that significantly affect the demand and investigate their impact on the accuracy of each model. Our results suggest that N-BEATS consistently outperforms the rest of the examined models. MLP follows, providing further evidence towards the use of feed-forward networks over relatively more sophisticated architectures. Finally, certain calendar and weather features like the hour of the day and the temperature are identified as key accuracy drivers, providing insights regarding the forecasting approach that should be used per case.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google