Leveraging Graph Neural Networks to Forecast Electricity Consumption

要約

正確な電力需要予測は、いくつかの理由から不可欠です。特に、再生可能エネルギー源の統合と分散型ネットワーク パラダイムへの移行により、より複雑さと不確実性が生じるためです。
提案された方法論は、グラフベースの表現を活用して、この分散型ネットワーク構造に固有の空間分布と関係の複雑さを効果的にキャプチャします。
この研究成果は、グラフ畳み込みネットワークやグラフ SAGE などのモデルを考慮することで、従来の一般化加算モデルのフレームワークを超えた新しいアプローチを提供します。
これらのグラフベースのモデルにより、さまざまなレベルの相互接続とノード間での情報共有を組み込むことが可能になり、各ノードは消費者のサブセット (国の地域など) の合計負荷 (つまり、消費量) に対応します。
より具体的には、消費予測に合わせたグラフを推論するためのさまざまな方法と、開発されたモデルをパフォーマンスと説明可能性の両方の観点から評価するためのフレームワークを紹介します。
私たちは、フランス本土地域を考慮した合成フレームワークと実際のフレームワークの両方で電力予測の実験を実施し、私たちのアプローチのパフォーマンスとメリットについて議論します。

要約(オリジナル)

Accurate electricity demand forecasting is essential for several reasons, especially as the integration of renewable energy sources and the transition to a decentralized network paradigm introduce greater complexity and uncertainty. The proposed methodology leverages graph-based representations to effectively capture the spatial distribution and relational intricacies inherent in this decentralized network structure. This research work offers a novel approach that extends beyond the conventional Generalized Additive Model framework by considering models like Graph Convolutional Networks or Graph SAGE. These graph-based models enable the incorporation of various levels of interconnectedness and information sharing among nodes, where each node corresponds to the combined load (i.e. consumption) of a subset of consumers (e.g. the regions of a country). More specifically, we introduce a range of methods for inferring graphs tailored to consumption forecasting, along with a framework for evaluating the developed models in terms of both performance and explainability. We conduct experiments on electricity forecasting, in both a synthetic and a real framework considering the French mainland regions, and the performance and merits of our approach are discussed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google