Taiwan Electricity Forecasting

總覽

We will implement an algorithm to predict the operating reserve (備轉容量) of electrical power. Given a time series electricity data to predict the value of the operating reserve value of each day during 2022/03/30 ~ 2022/04/13.

資料呈現與分析

訓練資料與觀察

根據台灣電力公司_本年度每日尖峰備轉容量率.csv、台灣電力公司_過去電力供需資訊2021.csv 我們先針對三種數值進行視覺化

• 橙色 尖峰供電 peak supply
• 綠色 備轉容量 operation reserve
• 藍色 備轉容量率 operation reserve rate

而我們又可以知道

• 備轉容量 = 尖峰供電 * 備轉容量率
• 根據觀察可得，橘色的尖峰供電 peak supply 呈現明顯的趨勢，而 藍色的備轉容量率 operation reserve ratio 在2020年初的階段以來，如果排除掉 outlier，最低的備轉容量都能維持在10%以上 所以本次預測，會先預測:

1. 尖峰供電 peak supply
2. 備轉容量率 operation reserve ratio

再利用兩者相乘得出我們所求的 備轉容量率 operation reserve ratio

相關係數

根據下方常見的5種相關係數 分別為 Pearson's r、Maximal information Coefficient、Distance Correlation、Spearman's Rho、Kendall Tau

1. 很顯然 備轉率 與 備轉容量率 很相關
2. month 與 備轉容量率 也有較大的相關性
3. 但其他特徵(year、is_holiday)就只有在非線性的角度觀察(Maximal information、Distance)時，才有些許較高的相關性
   

季節性判斷

如果再進一步判斷 季節性 seasonality 與 備轉容量率 operation reserve ratio，就能進一步確認上續推斷，除了 month 之外，其他的 feature 並沒有與 operation reserve ratio 有什麼相關性，也包含我們可能認為會有相關的 holiday

• 與 operation reserve ratio 相比

  • day
    
  • month
    
  • day_of_week
    
  • is_holiday
    

• peak 與 peak ratio 相比
  

• is_holiday 與 peak
  

資料前處理

在 training 資料內，我們使用2017年至2022年的一維資料，包含 尖峰負載 peak supply、備轉容量率 operation reserve rate

使用模型

1. XGBoost

XGBoost is an optimized distributed gradient boosting library designed to be highly efficient, flexible and portable. It implements machine learning algorithms under the Gradient Boosting framework.

1. 首先在現有的資料內，我們選取當日的 日期
   當作測試

2. 我們也測試 feature 加上了前幾天的

   • 備轉率
   • 備轉量
   • 備轉量 + 備轉率

我們發現當feature 選擇備轉量時，會有最好的效果
3. 下一步，我們開始測試天數的效果，以下為效果呈現
根據上圖，發現 rmse 的範圍會落在 436.64~1059，range 想當大
且平均與中位數大約都落於 650 左右，風險不小
下方為預測效果最好的天數與 features 組合 XGBoost
天數 : 64

2. Arima

In statistics and econometrics, and in particular in time series analysis, an autoregressive integrated moving average (ARIMA) model is a generalization of an autoregressive moving average (ARMA) model. Both of these models are fitted to time series data either to better understand the data or to predict future points in the series (forecasting).

Arima 的特色與限制就是只能帶入一維的 time series 變數，沒辦法再加上日期或是其他 features。

1. 我們先調整帶入的歷史日期，去測試效果
   
2. 接著改變帶入原始資料的方式，改帶入相差值，預測結果
   

3. FB-prophet

我們在經過測試之後，決定使用 facebook 所提供的模型 prophet

Forecasting is a data science task that is central to many activities within an organization. For instance, organizations across all sectors of industry must engage in capacity planning to efficiently allocate scarce resources and goal setting in order to measure performance relative to a baseline. 詳細內容可以再參照 (Sean J. Taylor&Benjamin Letham,2017)

此模型依舊為 Time series 模型，但與 ARIMA 不同的是，我們可以在此模型上，多加上其他 features 的 time series data 當 regressor。

• e.g. 當天是否為 holiday、星期幾、月份、年分
• e.g. 分多個步驟進行 time series 建立。先建立模型 A、再利用模型 A 的預測結果，當成模型 B 的 regressor，再預測模型 B。

我們共使用兩次 prophet 模型兩次，分別為

1. 尖峰供電 peak supply
   
   RMSE = 595.9370547869777

2. 備轉容量率 operation reserve ratio
   
   RMSE = 1.761063198150491

根據

1. 尖峰供電 peak supply 與 備轉容量率 operation reserve ratio 的兩種預測
2. 備轉容量 = 尖峰供電 * 備轉容量率

可以得知，我們的預測結果應為兩者的預測乘積

RMSE = 523.339138543489

結論

在此次作業中，我們可以觀察出關於備載容量率，並沒有明顯的可預測性，因為我們本次需要預測的並不是有明顯季節性的尖峰供電 peak supply，而是台電可以動態調整的電樣備載率；但我們的模型能夠很好的掌握平均值

• 所以我們的策略的是先掌握 有季節性的尖峰供電 peak supply
• 再試著以尖峰供電的 times series 預測結果與其他 features 作為 regressor 預測 備轉容量率 operation reserve ratio，進而得到 備轉容量operation reserve

但因為 備轉容量率 operation reserve ratio 也較難預測，所以導致相乘後的結果也較不為準確