2021_Bootstrapによる電気自動車の充電需要の予測精度改善の検討

Bootstrapによる電気自動車の充 電需要の予測精度改善の検討 2021/1/21 1

目次 1. 研究背景 2. 研究内容 3. シミュレーション概要 3.1 使用データ 3.2 Bootstrapサンプリングの適用 4. シミュレーション結果 5. 考察と今後の課題 2

研究背景 電気自動車(EV)の台数は世界的に増加 EVの台数(百万台) 電気バス 2030年までに >4400万台/年 多くのEVの充電需要が電力系統に影 響を与える可能性 小型電気自動車 EVの充電需要の予測が必要 年 図1 今後のEVの販売台数の予測(IEAより) 3

目次 1. 研究背景 2. 研究内容 3. シミュレーション概要 3.1 使用データ 3.2 Bootstrapサンプリングの適用 4. シミュレーション結果 5. 考察と今後の課題 4

研究内容 先行研究 課題 本研究 ニューラルネットワークとK-meansによるアンサンブル学習法 を用いることで予測モデルを構築 データのサンプル数が少ない場合に予測精度が低下 Bootstrapサンプリング法を用いて、データのサンプル数 が少ない場合の予測精度を向上を検討 5

目次 1. 研究背景 2. 研究内容 3. シミュレーション概要 3.1 使用データ 3.2 Bootstrapサンプリングの適用 4. シミュレーション結果 5. 考察と今後の課題 6

使用データ 場所: スコットランド Dundee 情報:ユーザーID 充電 開始/終了 時間 充電電力量 充電場所 約8km x 4km の範囲 図3 スコットランド ダンディーにある充電スポット 7

目次 1. 研究背景 2. 研究内容 3. シミュレーション概要 3.1 使用データ 3.2 Bootstrapサンプリングの適用 4. シミュレーション結果 5. 考察と今後の課題 8

研究目的：EVの充電需要 予測区間 • 決定論的な予測値 一意に決まるが、予測精度は時間 によってバラバラ • 95%予測区間 予測値に幅が出るが、95%の時間 帯で幅の中に収まる 研究目的： 予測区間にどれだけの実績値が入るか （カバー率）を95%以上にしたい ただし、幅はできるだけ少なく 9

Bootstrapサンプリングの適用 日 時間 9/1 9:00~10:00 → 10 9/2 9:00~10:00 → 20 20 ･ → ･ → 9:00~10:00 → 25 25 9/30 充電電力[Kw] ･一つ取り出して確認 ･袋に戻す 20 10 10 14 10 1.再標本化によってデータセットを作り 出す。 2.それぞれのデータセットで統計量を計 算 20 9 25 10 17 10 25 20 例) 5回繰り返すと 10,10,10,25,20 リサンプルしたデータ 3.統計量の分布が出来るので、その分布 の標準偏差を計算して標準誤差を求める ことが出来る。 この操作を5000回行う →統計量を推定 10

Bootstrapサンプリングの適用 ･･･ 1日目 2日目 30日目 15分毎に30日分の予測誤差をまとめる 15分毎にBootstrapサンプリング 予測誤差の中央値を推定11

Bootstrapサンプリングの適用 Bootstrapした誤差のデータと実際の予測を足し合わせる -> 信頼区間を推定 ･･･ 1回目 ２回目 ５０００回目 各予測値群の95%信頼区間(黒線)を取る 平均を取ることで真の信頼区間とする 12

目次 1. 研究背景 2. 研究内容 3. シミュレーション概要 3.1 使用データ 3.2 Bootstrapサンプリングの適用 4. シミュレーション結果 5. 考察と今後の課題 13

最も予測精度の悪かった日の結果 Bootstrap前と比べて 短周期の変動への追 従性が向上した 図4 短周期変動への追従性の変化 14

シミュレーション結果 図5 Bootstrap前後の予測区間カバー率 表1 予測区間カバー率の変化 予測区間のカバー率が平均2%向上 図6 Bootstrap前後の予測区間の幅 表2 予測区間の幅の変化 予測区間幅が平均1.3[Kw]増加 15

目次 1. 研究背景 2. 研究内容 3. シミュレーション概要 3.1 使用データ 3.2 Bootstrapサンプリングの適用 4. シミュレーション結果 5. 考察と今後の課題 16

考察と今後の課題 • Bootstrapにより、予測区間のカバー率が向上した。 一方、Bootstrapによって予測区間の幅が広がったが 95%の予測区間を達成する事を優先した。 ･Bootstrapによって短周期の変動への追従性が向上した。 ･本研究では、Bootstrapを行うことで 予測区間のの向上に寄与することを示した。 17

補助スライド 18

Bootstrapサンプリングの適用 例:明日の 0:00~1:00 の予測値が 8[Kw]だっ た場合 5000回 Bootstrap ･･･ 全予測誤差 に8[Kw]を 足す 5000個の予測誤差群 19 5000個の予測値群

予測区間の幅について Prediction Intervalカバー率100% Prediction Interval カバー率90% 幅が広すぎると予測として意味がない 20

21

K-means法 1.各点に対してランダムにクラスタを割り振る 3.各点の重心からの距離を計算し、距離が一番近い クラスタに割り当て直す 2.各クラスタに割り当てられた点の重心を計算する 4. 2と3の工程を割り当てられるクラスタが変化しな くなるまで行う 22

ニューラルネットワーク法 ニューラルネットワークは ･入力層 ･隠れ層 ･出力層 から構成される。 ニューラルネットワークの学習では 入力値と出力値から各層間の重みを 決定する。 図2 ニューラルネットワーク概要 ニューラルネットワークの予測では 入力値と学習による重みから出力値 を算出する。 23

シミュレーション概要 予測区間の算出 各時刻の予測値μと実測値の差の標準偏差σを求める。 本研究では、以下のように95%予測区間を求めた。 95%予測区間(Prediction Interval) = μ±2σ 24

シミュレーション概要 RMSEの算出 RMSE(2乗平均平方根誤差)は、 予測値と実測値の差をrとすると RMSE = 25