[論文レビュー] A Data Mining Approach Combining K-Means Clustering with Bagging Neural Network for Short-term Wind Power Forecasting

Wu Wenbin, Mugen Peng|arXiv (Cornell University)|Sep 14, 2017

Energy Load and Power Forecasting参考文献 19被引用数 7

ひとこと要約

本稿では、K-meansクラスタリングとバギングベースのバックプロパゲーションニューラルネットワーク（Bagging-BPNN）を組み合わせたデータマイニング手法を提案し、短期的な風力発電予測の精度を向上させることを目的としている。気象データおよび発電量データの類似性に基づいて歴史的データをクラスタリングし、バギングを用いてBPNNの安定性を高めることで、標準的なBPNNと比較して、RMSEで最大38.7%、MAEで最大29.8%の予測誤差低減を達成した。

ABSTRACT

Wind power forecasting (WPF) is significant to guide the dispatching of grid and the production planning of wind farm effectively. The intermittency and volatility of wind leading to the diversity of the training samples have a major impact on the forecasting accuracy. In this paper, to deal with the training samples dynamics and improve the forecasting accuracy, a data mining approach consisting of K-means clustering and bagging neural network is proposed for short-term WPF. Based on the similarity among historical days, K-means clustering is used to classify the samples into several categories, which contain the information of meteorological conditions and historical power data. In order to overcome the over fitting and instability problems of conventional networks, a bagging-based ensemble approach is integrated into the back propagation neural network. To confirm the effectiveness, the proposed data mining approach is examined on real wind generation data traces. The simulation results show that it can obtain better forecasting accuracy than other baseline and existed short-term WPF approaches.

研究の動機と目的

• 風の間欠性および変動性に起因する、風力発電予測におけるトレーニングサンプルの多様性と不安定性の課題に対処する。
• 気象データおよび歴史的発電量データに基づくK-meansクラスタリングを用いて、代表的なトレーニングサンプルを選択することで、予測精度を向上させる。
• バギングによるアンサンブル学習により、バックプロパゲーションニューラルネットワークにおける過学習を低減し、モデルの安定性を向上させる。
• 実際の風力発電所のデータを用いて、ハイブリッド手法の有効性を実証し、ベースライン手法および既存手法を上回ることを示す。

提案手法

• 風速、気温、ブレード角度などの気象データおよび風力発電量データを用いて、歴史的データをK-meansクラスタリングで類似する日ごとにグループ化する。
• 予測対象の日と各クラスタとの類似度をピアソン積率相関係数で測定し、最も関連性の高いクラスタをトレーニングに選択する。
• 入力次元を低減し、モデルの効率を向上させるために、リリーフアルゴリズムを用いた特徴選択を実施する。
• バギング（ブートストラップアンサンブル）をバックプロパゲーションニューラルネットワークに統合し、分散を低減し、過学習を軽減するアンサンブルモデルを構築する。
• ブートストラップリサンプリングを用いて多様なトレーニングサブセットを生成し、選択されたクラスタデータ上でbagging-BPNNをトレーニングする。
• 複数の基本BPNNモデルの予測結果を統合して、より堅牢な最終予測を生成する。

実験結果

リサーチクエスチョン

• RQ1 気象データおよび発電量の類似性に基づいて歴史的風力データをクラスタリングすることで、短期的な風力発電予測の精度が向上するか？
• RQ2 バギングとバックプロパゲーションニューラルネットワークを組み合わせることで、過学習が低減され、風力発電予測における予測安定性が向上するか？
• RQ3 提案手法であるK-meansとバギング-BPNNは、標準的なBPNNおよび他の既存の予測手法と比較して、性能にどの程度優れているか？
• RQ4 リリーフアルゴリズムによる特徴選択は、モデルの性能向上と計算複雑性の低減にどの程度寄与するか？

主な発見

• クラスタリングを組み合わせた提案手法Bagging-BPNNは、標準的なBPNNと比較してRMSEが38.7%低減し、MAEが29.8%低減した。
• 本手法はRMSE 342.548 kW、MAE 255.156 kWを達成し、BPNN（RMSE: 558.098 kW、MAE: 365.091 kW）を上回った。
• BPNNにクラスタリングを適用するのみの手法と比較して、本手法はRMSEを30.1%、MAEを21.1%低減した。
• 本手法は3つの既存手法（アプローチ1：RMSE: 1053.736 kW、アプローチ2：RMSE: 427.912 kW、アプローチ3：RMSE: 389.472 kW）を著しく上回った。
• PCAベースのANNアンサンブルを用いるアプローチ2と比較して、本手法はRMSEが19.9%低く、MAEが17.1%低かった。
• 結果から、類似した歴史的日をクラスタリングし、アンサンブル学習を適用することで、予測精度と耐障害性が顕著に向上することが確認された。