Electricity Price Forecasting with Evolutionary Stacked Auto-Encode of Multi-Layered Artificial Neural Netwok
| Project/Area Number |
20K04425
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 21010:Power engineering-related
|
|---|
| Research Institution | Meiji University |
|---|
Principal Investigator |
森 啓之 明治大学, 総合数理学部, 専任教授 (70174381)
|
|---|
| Project Period (FY) |
2020-04-01 – 2024-03-31
|
| Project Status |
Granted (Fiscal Year 2022)
|
| Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2022: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2021: ¥1,040,000 (Direct Cost: ¥800,000、Indirect Cost: ¥240,000)
Fiscal Year 2020: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
|
|---|
| Keywords | 電力価格予測 / 電力市場 / 深層学習 / 深層学習ニューラルネット / オートエンコダー / 進化的計算 / 深層ニューラルネットワーク / オートエンコーダー / ディノイズイング / スパイク / 電力価格 / 予測 / 深層ニューラルネット |
|---|
| Outline of Research at the Start |
本研究では、再生可能エネルギーが複数存在する送電ネットワークにおいて変動する電力価格を持つ電力市場において進化的スタックトオートエンコーダを用いた深層ニューラルネットによる電力価格予測手法について研究する。我国では2020年には電力システム改革により、送配電部門の法的分離が進められ、電力市場の活発化が予想される。その際、競争環境下の電力系統において電力市場の電力売買の利益最大化とリスク最小化の要望がある。そこで、進化的スタックトオートエンコーダを基づく深層ニューラルネットを用いて電力価格時系列予測のための高精度モデルを開発し、実データに適用し、その開発モデルの有効性を示す。
|
| Outline of Annual Research Achievements |
令和4年度の研究としてオートエンコダーと浅層ニューラルネットから構成される深層学習ニューラルネットを用いた電力価格予測手法の基礎として次の研究を行った。
（１）浅層ニューラルネットとして一般ラジアル基底関数ネットワーク（Generalized Radial Basis Function Network; GRBFNと略記）について研究した。ここで、GRBFNは、ガウス関数の重み付き和で表現されるRBFNを一般化した手法であり、ガウス関数のパラメターである平均値と標準偏差が学習過程で決定される特徴がある。
（２）学習過程において過学習を防止するためにL2ノルムを用いたL2正則化であるWeight Decay法を研究した。ここで、Weight Decay法はパラメータのL2ノルムを最小化する過学習防止法である。さらに、予測精度を上げるために、L1ノルムを用いたL1正則化についても検討した。
（３）L1ノルムを用いたL1正則化に関連した分野としてLASSO（Least Abosolute Shrinkage and Selection Operator）モデルについて研究した。ここで、LASSOモデルは複雑な現象をより少ない説明モデルで表現するスパースモデリング手法の1種である。本研究ではLASSOモデルをGRBFNに応用することを検討した。
（４）GRBFNの様な非線形モデルにおいてLASSOを用いると、L1ノルム使用のため、ニューラルネットワークの重みとガウス関数のパラメータの最適化には微分情報を使用できない。そこで、進化的計算のBSO（Brain Storm Optimization)を使用する手法を提案した。その結果、スパースモデリング手法に基づくGRBFNを開発することに成功した。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
本研究の研究成果を国際会議で研究発表する予定であったが、コロナ禍の影響で国際会議が1年延期になり、研究する機会を少なくなった。2023年度に国際会議で研究発表する予定である。
|
| Strategy for Future Research Activity |
（１）令和4年度は、オートエンコダーと浅層ニューラルネットから構成される深層学習ニューラルネットにおいて浅層ニューラルネットのGRBFNを研究したが、令和4年度は主に、オートエンコーダ―の改良法について研究する。
（２）令和4年度に使用した進化的計算のBSOの改良法について研究する。
|
Report
(3 results)
Research Products
(10 results)
