[論文レビュー] A Review of Wind Speed and Wind Power Forecasting Techniques

Harsh S. Dhiman, Dipankar Deb|arXiv (Cornell University)|Sep 2, 2020

Energy Load and Power Forecasting参考文献 46被引用数 29

ひとこと要約

本稿は風速および風力予測技術をレビューし、ARIMA やパーゼンスといった統計モデルと、ウェーブレット分解、LSSVM、WOA-LSSVR といった高度な機械学習およびハイブリッド手法を比較している。ハイブリッドモデルが短期および中期の予測において著しく精度を向上させることを示しており、ベースラインと比較して RMSE および MAPE が最大 20% 減少している。

ABSTRACT

Forecasting a particular variable can depend upon temporal or spatial scale. Temporal variations that indicate variations with time, reflect the stochasticity present in the variable. Spatial variation usually are dominant in climatology and meteorology. Temporal scale for a variable can be modeled in terms of time-series. A time series is a successively ordered sequence of numerical data points, and can be taken on any variable changing with time. Wind speed forecasting applications lie majorly in the area of electricity market clearing, economic load dispatch and scheduling, and sometimes to provide ancillary support. Thus, a proper classification based on the prediction horizon i.e. the duration of prediction becomes important for various transmission system operators.

研究の動機と目的

• 電力系統における適切な応用を図るため、予測期間（非常に短期から非常に長期まで）別に風速予測手法を分類すること。
• 従来の統計モデル（例：ARIMA、パーゼンス）と高度な機械学習手法を、風速／風力予測において評価・比較すること。
• 信号処理技術と知能アルゴリズムを組み合わせたハイブリッド予測モデルの性能を分析すること。
• 異なる時間スケールにおける予測精度のベンチマークに用いるための主要な性能指標（MAPE、RMSE、MAE、MSE）を特定すること。
• 最適な風力発電のディスpatch およびグリッド統合を支援するため、予測手法の体系的概要を提供すること。

提案手法

• 予測期間に基づいて予測手法を分類：非常に短期（数秒～30分）、短期（30分～6時間）、中期（6～24時間）、長期（24～72時間）、非常に長期（72時間以上）。
• 標準的な誤差指標を用いて精度を定量評価：MAPE、MAE、MSE、RMSE。以下の式を用いる：MAPE = (100/N)Σ|pf−p|/pf、MAE = (1/N)Σ|pf−p|、MSE = (1/N)Σ(pf−p)²、RMSE = √(MSE)。
• ノイズ低減および意味のあるサブシグナル抽出のため、ウェーブレット分解、EEMD、CEEMD などの信号前処理技術を用いる。
• LSSVM、ELM、GRNN、BPNN、エラマンニューラルネットワークなどの機械学習モデルを活用し、WOA やドラゴンフライアルゴリズムといったメタヒューリスティック最適化手法を用いて最適化する。
• 分解技術と回帰モデル（例：WOA-LSSVR、MOSCA-WNN）を組み合わせることで、非線形的かつ非定常な風速パターンをモデル化し、マルチステップ予測の精度を向上させる。
• ARIMA やパーセンスモデルといったベースラインと比較して、シンガポール、中国、オーストラリアなど複数の世界的なデータセットを用いてモデルを検証する。

実験結果

リサーチクエスチョン

• RQ1 非常に短期から非常に長期までの予測期間にわたり、異なる風速予測手法はどのように性能を発揮するか？
• RQ2 風速および風力予測において、統計モデル（例：ARIMA、パーセンス）とハイブリッド機械学習モデルの相対的な精度はどの程度か？
• RQ3 ウェーブレット分解や EEMD といった信号前処理技術は、非定常な風速データにおける予測精度をどの程度向上させるか？
• RQ4 メタヒューリスティック最適化アルゴリズム（例：WOA、ドラゴンフライアルゴリズム）は、回帰モデルの性能をどの程度向上させるか？
• RQ5 実世界の応用において、ハイブリッド予測モデルの精度を最も的確に反映する主な性能指標（MAPE、RMSE、MAE）は何か？

主な発見

• 特にウェーブレット分解と LSSVM、または WOA 最適化 LSSVR を組み合わせたハイブリッド予測モデルは、ARIMA やパーセンスといった従来の統計モデルに比べ、RMSE および MAPE の観点で優れた性能を示している。
• WOA-LSSVR モデルは、GRNN や BPNN よりも優れた性能を示し、6カ国にわたる世界的な風速データセットにおいて、RMSE および MAE が低く抑えられていた。
• 補完的エンsemble モード分解（CEEMD）と多目的最適化を組み合わせたモデルは、極めて非線形的な風速系列の予測において、より高いロバスト性と安定性を示した。
• LSSVM モデルの入力選択に相関係数を活用することで、ウェーブレット分解から得られる関連性の高いサブ系列を優先的に取り入れ、予測精度が向上した。
• 性能評価の結果、風力予測の相対的精度を評価する際、RMSE よりも MAPE がより効果的であることが確認された。
• 計算コストが高めではあるが、MCEEMD を用いたハイブリッドモデルは、特にノイズや極端値の多い風速データの処理において、優れた精度を発揮した。