DOI QR코드

DOI QR Code

이노베이션 상태공간 지수평활 모형을 이용한 시간별 전력 수요의 예측

Hourly electricity demand forecasting based on innovations state space exponential smoothing models

  • 원다영 (중앙대학교 응용통계학과) ;
  • 성병찬 (중앙대학교 응용통계학과)
  • Won, Dayoung (Department of Applied Statistics, Chung-Ang University) ;
  • Seong, Byeongchan (Department of Applied Statistics, Chung-Ang University)
  • 투고 : 2016.02.05
  • 심사 : 2016.06.21
  • 발행 : 2016.06.30

초록

본 논문은 이노베이션 상태공간모형을 근간으로 기존의 지수평활법을 포괄할 수 있는 다중 계절형 모형을 소개한다. 특히 이 모형은, 기존 모형의 한계를 극복하고 동일한 계절 내의 다양성을 표현할 수 있도록 계절 성분을 행렬로 표현하는 정교한 구조를 가지고 있다. 이런 구조를 이용하면 비슷한 패턴을 가지는 계절 성분의 모수를 그룹별로 분류할 수 있다. 따라서, 다중 계절형 모형은 모수절약 원칙을 달성할 수 있으며 모형의 해석이 용이한 장점을 가지고 있을 뿐만 아니라, 잠재적으로 임의의 개수의 계절성도 수용 가능하다. 본 연구에서는 다중 계절형 모형을 이용하여 시간 단위로 관측된 한국 전력 수요량을 분석하고 예측한다. 특히, 시간별 전력 수요량의 계절성은 1일 및 1주일의 두 가지로 고려되었고 이를 토대로 유사한 요일들은 공통 계절로 그룹화하였다. 모형의 예측 성능을 평가하기 위하여 기존 지수평활법의 예측 결과와 비교하였다. 그 결과, 다중 계절형 모형이 기존 지수평활법보다 예측력이 우수함을 확인하였다.

We introduce innovations state space exponential smoothing models (ISS-ESM) that can analyze time series with multiple seasonal patterns. Especially, in order to control complex structure existing in the multiple patterns, the model equations use a matrix consisting of seasonal updating parameters. It enables us to group the seasonal parameters according to their similarity. Because of the grouped parameters, we can accomplish the principle of parsimony. Further, the ISS-ESM can potentially accommodate any number of multiple seasonal patterns. The models are applied to predict electricity demand in Korea that is observed on hourly basis, and we compare their performance with that of the traditional exponential smoothing methods. It is observed that the ISS-ESM are superior to the traditional methods in terms of the prediction and the interpretability of seasonal patterns.

키워드

참고문헌

  1. Anderson, B. D. and Moore, J. B. (1979). Optimal Filtering, Prentice-Hall, New Jersey.
  2. Box, G. E. P., Jenkins, G. M., and Reinsel, G. C. (1993). Time Series Analysis: Forecasting and Control, Prentice Hall, New Jersey.
  3. De Livera, A. M., Hyndman, R. J., and Snyder, R. D. (2011). Forecasting time series with complex seasonal patterns using exponential smoothing, Journal of the American Statistical Association, 106, 1513-1527. https://doi.org/10.1198/jasa.2011.tm09771
  4. Gould, P. G., Koehler, A. B., Ord, J. K., Snyder, R. D., Hyndman, R. J., and Vahid-Araghi, F. (2008). Forecasting time series with multiple seasonal patterns, European Journal of Operational Research, 191, 207-222. https://doi.org/10.1016/j.ejor.2007.08.024
  5. Harvey, A. C. (1989). Forecasting, Structural Time Series Models and the Kalman Filter, Cambridge University Press, Cambridge.
  6. Hyndman, R., Koehler, A. B., Ord, J. K., and Snyder, R. D. (2008). Forecasting with Exponential Smoothing: The State Space Approach, Springer-Verlag.
  7. Hyndman, R. J., Koehler, A. B., Snyder, R. D., and Grose, S. (2002). A state space framework for automatic forecasting using exponential smoothing methods, International Journal of Forecasting, 18, 439-454. https://doi.org/10.1016/S0169-2070(01)00110-8
  8. Kim, C. H. (2013). Short-term electricity demand forecasting using complex seasonal exponential smoothing, Korea Development Institute, 13-06.
  9. Ord, J. K., Koehler, A. B., and Snyder, R. D. (1997). Estimation and prediction for a class of dynamic nonlinear statistical models, Journal of the American Statistical Association, 92, 1621-1629. https://doi.org/10.1080/01621459.1997.10473684
  10. Ord, J. K., Snyder, R. D., Koehler, A. B., Hyndman, R. J., and Leeds, M. (2005). Time series forecasting: The case for the single source of error state space approach, (Working paper series), Department of Econometrics and Business Statistics, Monash University, Australia.
  11. Shumway, R. H. and Stoffer, D. S. (2011). Time Series Analysis and Its Applications: With R Examples, Springer, New York.
  12. Taylor, J. W. (2003). Short-term electricity demand forecasting using double seasonal exponential smoothing, Journal of Operational Research Society, 54, 799-805. https://doi.org/10.1057/palgrave.jors.2601589
  13. Taylor, J. W. (2010). Triple seasonal methods for short-term electricity demand forecasting, European Journal of Operational Research, 204, 139-152. https://doi.org/10.1016/j.ejor.2009.10.003
  14. Winters, P. R. (1960). Forecasting sales by exponentially weighted moving averages, Management Science, 6, 324-342. https://doi.org/10.1287/mnsc.6.3.324