日次XGBoostによる集合住宅負荷予測:実験構成における精度とSHAPランキングの一致度
Day-Ahead XGBoost Forecasting of Aggregated Residential Load: Accuracy and SHAP Ranking Agreement Across Experimental Configurations
本研究は、ポーランドの約300のG11 tariff世帯を対象に、季節別テスト期間、学習ウィンドウ戦略、ハイパーパラメータ選択が、XGBoostによる日次予測精度と解釈にどのように影響するかを評価した。4つの31日期間、スライディングまたは拡張学習ウィンドウ、共有(H1)またはウィンドウ固有(H2)のハイパーパラメータを組み合わせた16の構成でモデルを評価した。モデルは19の時系列、気象、カレンダー特徴量を使用し、予測日の前に利用可能な同じ運用予測システムからの数値気象予測(NWP)を用いた。精度はMAE、RMSE、MAPEで評価され、Diebold–Mariano検定で比較された。MAEは7.79~14.98 kWhの範囲であり、全ての構成でパーシステンスベンチマークよりも低いMAE、RMSE、MAPEを示した。Holm補正後、学習ウィンドウ戦略に統計的に支持された優位性は見られなかった。H2は秋の拡張ウィンドウ比較で支持されたが、夏の Математика は分散推定値に依存した。24時間消費ラグが全ての構成で1位となり、120ペアの平均ランク一致度は0.897であった。精度は期間と構成によって変動したが、特徴量の階層は非常に一貫していた。
- ポーランドのG11料金世帯約300世帯の日次負荷をXGBoostで予測し、季節別テスト期間・学習ウィンドウ戦略・ハイパーパラメータ選択の16構成を比較評価した。
- MAEは7.79〜14.98kWhの範囲に収まり、全構成がパーシステンスベンチマークをMAE・RMSE・MAPEで上回った。
- Diebold–Mariano検定とHolm補正の結果、学習ウィンドウ戦略の優位性は統計的に支持されず、H2(ウィンドウ固有ハイパーパラメータ)は秋の拡張ウィンドウ比較でのみ支持された。
- 19の時系列・気象・カレンダー特徴量を使用し、予測日に先立って利用可能な運用予測システムの数値気象予測(NWP)を入力に用いた。
- 24時間消費ラグが全構成で重要度1位となり、120ペアの平均ランク一致度は0.897と、精度変動に対して特徴量階層が非常に一貫していた。
学術的な電力需要予測のベンチマーク研究であり、直接の企業業績・調達・規制の動きはない。ただし、G11料金世帯約300戸の実データでXGBoostの予測精度(MAE 7.79〜14.98kWh)と特徴量重要度の安定性(24時間ラグが全構成で1位、平均ランク一致度0.897)を示した点は、需要予測・DR・エネルギー管理SaaSのモデル選定や学習ウィンドウ設計の実務判断に参考になる。精度は学習ウィンドウ戦略より期間・構成依存で、Holm補正後に統計的優位が消える点は、モデル改善の効果が過大評価されやすいことを示唆する。