データ分析による新しい電力消費予測手法

プロジェクトチームは、6つの異なる時系列分析を調べました。この分析は、単純な予測と平滑化の方法を採用します。各モデルは、傾向、季節性、サイクル、不規則な動きなど、一定期間収集したデータのさまざまな成分を強調し、成分の推定値を将来に拡張して予測を提供します。プロジェクトチームは各モデルを使用して、6か月先の電力使用量を予測しました。

まず、傾向分析手法を使用しました。一般的な傾向ラインを電力消費データに適合させるものです。この分析では、一定期間上下する長期的な傾向が表示されます。

次に、問題をサブ問題に「分解」する能力から分解法と言われるようになった方法を使用して、傾向分析方法に含まれていなかったデータの成分を調べることができました。電力消費の時系列データを季節性、サイクル、ランダムな変動などの追加部分に分割することで、各成分の影響をモデルの予測に組み込むことができました。

上記の時系列プロットでは、データが4つの部分に分解されています。これで、傾向と季節性を評価できます。

プロジェクトチームは、データの短期的な変動を滑らかにし、長期的な傾向とサイクルを強調するために、時系列の連続した観測値を平均して移動平均を計算しました。このモデルでは、季節性、サイクル、ランダムな変動別に作成された個々のデータポイントが近似されるため、平滑化されたデータセットで見つけにくい重要なパターンが明らかになります。

チームは、単純指数平滑化を使用してデータを表示することで、さらに別の視点を得ました。単純指数平滑化では、時間の経過とともに指数関数的に減少する重みをデータポイントに割り当てます。この手法で、最新のデータに重点を置き、工場の電力消費を予測しました。

データに傾向がある場合、単純指数平滑化は最適ではないため、プロジェクトチームは、時系列の傾向の可能性を考慮して、二重指数平滑化を使用する2番目の成分を導入しました。この取り組みでは、時系列の古い観測値への重みを減らしますが、それぞれに異なる定数を使用して傾向と傾きを平滑化します。

プロジェクトチームは、二重指数平滑化を拡張して傾向と季節変動を含めるために、Winters法を使用して、水準、傾向、季節性の3要素の動的推定値を計算しました。

上記のWinters法プロットは、時系列の傾向と季節性を示しています。

プロジェクトチームは、Minitabで提供されるさまざまな予測および平滑化の方法により、この異なる取り組みのそれぞれと、工場固有の因子を組み込んだ方法を用いて、データを簡単に分析、表示、評価することができました。各方法の正確さは、各モデルの結果を実際のデータと比較することで評価しました。

上記の時系列プロットでは、6か月間の工場の実消費量kWhと、同じ期間の各モデルの予測電力使用量を比較しています。実際の消費データの時系列と、プロジェクトチームの新しい方法の予測は、比較しやすいように強調表示されています。

プロジェクトチームが考案した予測方法では、半導体工場の工程に関連する特定の要因（機械の要件、機械のアイドル時間、各状態で使用されるキロワットなど）が組み込まれ、電力会社から提供された電力使用量の生データが調整されました。プロジェクトチームは次に、確立されている各モデルの結果を独自の方法の結果と比較しました。