2019 Fiscal Year Research-status Report
Reconstruction of a forecasting method of electric power loads using auto-tuning type correntropy
| Project/Area Number |
18K04087
|
|---|
| Research Institution | Meiji University |
|---|
Principal Investigator |
福山 良和 明治大学, 総合数理学部, 専任教授 (10710022)
|
|---|
| Project Period (FY) |
2018-04-01 – 2021-03-31
|
| Keywords | 翌日最大電力負荷予測 / 異常値を含む学習データ / コレントロピー / カーネルサイズ自動調整 |
|---|
| Outline of Annual Research Achievements |
電力会社の運用業務の１つであり，ピーク負荷対応のガスタービン発電機準備や揚水発電機揚水量の決定等のために，重要情報である翌日最大電力負荷予測に対し，学習データに計測器故障やネットワーク一時故障などによる異常値を含む場合に，従来型ニューラルネットワーク(ANN)のパラメータ学習に対し，コレントロピーを誤差関数とし，パラメータ調整に進化計算手法のDifferential Evolutionary Particle Swarm Optimization(DEEPSO)を用い，発見的な手法によりコレントロピーのカーネルサイズを自動調整する方式を開発した。
従来，様々な分野で，コレントロピーによる異常値対応手法が検討されてきたが，カーネルサイズ自動調整が大きな課題となっていた。2019年度開発手法は，複数カーネルサイズを用意し，良い学習結果が得られるカーネルサイズ近傍を集中探索する。従来の長時間を要するカーネルサイズを試行錯誤的に求める方法と，ほぼ同程度の精度を得られることを確認した。
特に新電力では，既存電力会社と比較し，計測器を新規に設置した際に運用ノウハウの蓄積がないこともあり，学習データに異常値を含む割合が多くなっている。このような実務環境では，異常値を手作業で除去するエンジニアリング業務が発生しており，長時間の作業を強いられてきた。これに対し，今回開発した方法では，学習データに異常値を含んでいても，コレントロピーを用いることにより，異常値を除去するようなエンジニアリングを必要とせず，かつ，コレントロピー適用時の大きな課題であったカーネルサイズ自動調整が可能となり，さらにエンジニアリングが不必要となった。この結果より，我が国が進めている新電力等による電力分野自由化進展を促進することが可能となりえると考えられ，非常に意義深い結果と考えられる。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
電力会社の運用業務の１つであり，ピーク負荷対応発電機の準備や揚水発電機揚水量決定等に重要となる翌日の最大電力負荷予測に対し，学習データに異常値を含む場合に，従来型ニューラルネットワーク(ANN)のパラメータ学習に対し，コレントロピーを誤差関数とし，ANNパラメータ調整にDifferential Evolutionary Particle Swarm Optimization(DEEPSO)を用い，発見的手法によりコレントロピーのカーネルサイズを自動調整する方式を予定通り開発できた。
予定では，高次ANNを用いる予定であったが，構造を含めたハイパーパラメータが多くなり，このためのエンジニアリングが多くなるため，研究の方向性を変え，従来型ANNを用いたアンサンブル手法や正則化手法の適用を検討した。これにより，予測精度を大幅に向上することが可能となった。もともと，高次ANNは予測精度向上のため適用を予定していたため，この部分は，エンジニアリングを押さえる他の手法の適用により実現できた。
以上の成果として，国内学会６件，国際学会１件の研究発表を行うことができた。 また，国内学会発表の１件が2019年電気学会電子・情報・システム部門技術委員会奨励賞を受賞した。
以上より，全体としては，おおむね順調に進展していると考えられる。
|
| Strategy for Future Research Activity |
2019年度に実施した様々なコレントロピーのカーネルサイズ調整論文の調査から，現状，様々なカーネルサイズ調整手法が検討されているが，データに異常値が入った場合の対処が大きな課題になっていることが判明した。このことから，異常データを考慮した世界初のカーネルサイズ調整方法の開発検討を進めていく。
また，当初予定では，予測精度の向上手法として，畳み込みニューラルネットワーク(以下，CNN)やStacked Autoencoder(SA)などの高次ANN手法の適用を検討することとしていたが，文献調査結果より，学習時間の短縮は困難であり，また，ハイパーパラメータの自動調整も含めると，学習時間が現実的でないことが判明したため，エンジニアリングを削減できる従来型ANNを用いたアンサンブル手法あるいは正則化などの検討による予測精度向上を検討していく。
|
| Causes of Carryover |
論文誌および国際学会投稿の時期がずれ込み，2019年度の使用費用が少なくなってしまったが，すでに論文誌１件を投稿済であり，さらにもう１件の投稿を予定している。また，国際学会に１件投稿済であり，さらにもう１件の投稿を予定している。また，国内学会への投稿も２件以上を予定しており，その他も含め，予定どおりの予算を使用する予定である。
|
