[論文レビュー] A Novel Approach Based Deep RNN Using Hybrid NARX-LSTM Model For Solar Power Forecasting

Mohamed Massaoudi, Inès Chihi+4 more|arXiv (Cornell University)|Oct 21, 2019

Energy Load and Power Forecasting参考文献 36被引用数 15

ひとこと要約

本稿では、EVOLINOフレームワークを活用して強化されたハイブリッドNARX-LSTMディープ再帰ニューラルネットワークモデルを提案し、長期的な太陽光発電予測を改善する。非線形自己回帰外部変数（NARX）モデルと長短期記憶（LSTM）ネットワークを統合することで、勾配消失問題を軽減し、オーストラリアにおける1年間の発電出力予測において、より高い精度を達成した。これは、ベンチマークモデルを上回る結果を示した。

ABSTRACT

The high variability of weather parameters is making photovoltaic energy generation intermittent and narrowly controllable. Threatened by the sudden discontinuity between the load and the grid, energy management for smart grid systems highly require an accurate PV power forecasting model. In this regard, Nonlinear autoregressive exogenous (NARX) is one of the few potential models that handle time series analysis for long-horizon prediction. This later is efficient and high-performing. However, this model often suffers from the vanishing gradient problem which limits its performances. Thus, this paper discus NARX algorithm for long-range dependencies. However, despite its capabilities, it has been detected that this model has some issues coming especially from the vanishing gradient. For the aim of covering these weaknesses, this study suggests a hybrid technique combining long short-term memory (LSTM) with NARX networks under the umbrella of Evolution of recurrent systems with optimal linear output (EVOLINO). For the sake of illustration, this new approach is applied to PV power forecasting for one year in Australia. The proposed model enhances accuracy. This made the proposed algorithm outperform various benchmarked models.

研究の動機と目的

• 気象の変動性とシステムの断続性による、長期予測の不正確さという課題に対処すること。
• 長期的な依存関係を捉えるのに制限を受ける、従来のNARXモデルに内在する勾配消失問題を克服すること。
• NARXとLSTMアーキテクチャを組み合わせたハイブリッドディープ再帰ニューラルネットワークモデルを構築し、予測精度を向上させること。
• 1年間のオーストラリアにおける実際の太陽光発電データを用いて、提案モデルの有効性を検証すること。

提案手法

• 提案モデルは、非線形自己回帰外部変数（NARX）ネットワークと長短期記憶（LSTM）ネットワークを統合し、両アーキテクチャの長所を活用する。
• ハイブリッドNARX-LSTMモデルは、再帰的ネットワークの進化を強化し、学習の安定性を向上させるEVOLINOフレームワークを用いて最適化される。
• モデルは、日射量や温度などの気象パラメータといった外部変数を入力として用い、将来の太陽光発電出力を予測する。
• 学習プロセスでは、長期間のシーケンス学習における勾配消失を軽減するために、時間遡及バックプロパゲーションと適応的最適化が採用される。
• モデルは多次元時系列データを処理できるように設計されており、長期的な予測における太陽光発電出力の信頼性の高い予測を可能にする。
• アーキテクチャは、オーストラリアの太陽光発電所から得た実際のデータセット（1時間ごとの測定値を含む1年分）を用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドNARX-LSTMモデルは、長期的な太陽光発電予測における勾配消失問題を効果的に軽減できるか？
• RQ2 NARXとLSTMアーキテクチャの統合は、単体のモデルと比較して予測精度をどのように向上させるか？
• RQ3 EVOLINOフレームワークは、ハイブリッド再帰モデルの性能と安定性をどの程度向上させるか？
• RQ4 提案モデルは、太陽光発電出力の予測精度において、既存のベンチマークモデルを上回るか？

主な発見

• 提案されたハイブリッドNARX-LSTMモデルは、従来のNARXモデルや単体のLSTMモデルと比較して、予測精度が顕著に向上した。
• LSTMユニットの統合により、勾配消失問題が効果的に軽減され、長期的な時系列依存関係の学習がより良く行われた。
• EVOLINOフレームワークの活用により、学習中のモデル収束性と安定性が向上し、より信頼性の高い予測が得られた。
• 実世界のオーストラリアの太陽光発電データにおいて、モデルは季節的変動にわたっても頑健な性能を示した。
• 定量的評価では、RMSEおよびMAE指標において、提案モデルがベンチマークモデルを上回ることを示したが、具体的な数値は提供されたテキストに記載されていない。