[論文レビュー] Comparative Analysis of Machine Learning Algorithms for Solar Irradiance Forecasting in Smart Grids

Saman Soleymani, Shima Mohammadzadeh|arXiv (Cornell University)|Oct 20, 2023

Energy Load and Power Forecasting被引用数 4

ひとこと要約

本研究では、ベイズ最適化を用いたハイパーパramータチューニングを経て、スマートグリッドにおける太陽放射エネルギ予測のための最先端の機械学習モデル—ランダムフォレスト、XGBoost、LightGBM、CatBoost、MLP-ANN—を評価する。結果として、ランダムフォレストが他のモデルを上回り、MLP-ANNの性能は事前の特徴量選択により顕著に向上することが示され、ニューラルネットワークにおける前処理の重要性が浮き彫りになる。

ABSTRACT

The increasing global demand for clean and environmentally friendly energy resources has caused increased interest in harnessing solar power through photovoltaic (PV) systems for smart grids and homes. However, the inherent unpredictability of PV generation poses problems associated with smart grid planning and management, energy trading and market participation, demand response, reliability, etc. Therefore, solar irradiance forecasting is essential for optimizing PV system utilization. This study proposes the next-generation machine learning algorithms such as random forests, Extreme Gradient Boosting (XGBoost), Light Gradient Boosted Machine (lightGBM) ensemble, CatBoost, and Multilayer Perceptron Artificial Neural Networks (MLP-ANNs) to forecast solar irradiance. Besides, Bayesian optimization is applied to hyperparameter tuning. Unlike tree-based ensemble algorithms that select the features intrinsically, MLP-ANN needs feature selection as a separate step. The simulation results indicate that the performance of the MLP-ANNs improves when feature selection is applied. Besides, the random forest outperforms the other learning algorithms.

研究の動機と目的

• スマートグリッド運用における太陽光発電の変動性という課題に応えるために、太陽放射エネルギ予測の精度を向上させること。
• 最新のアンサンブルモデルおよびニューラルネットワークモデルの太陽放射エネルギ予測性能を評価すること。
• 特徴量選択がMLP-ANNの性能に与える影響を、木ベースのモデルと比較して調査すること。
• すべてのモデルに対してベイズ最適化を適用し、ハイパーパramータチューニングを実施することで、公平な比較を実現すること。

提案手法

• 本研究では、ランダムフォレスト、XGBoost、LightGBM、CatBoost、およびマルチレイヤーパーセプトロン人工ニューラルネットワーク（MLP-ANN）の5つの機械学習モデルを採用する。
• すべてのモデルに対してベイズ最適化を用いてハイパーパramータをチューニングし、各アルゴリズムの最適な設定を確保する。
• 特徴量選択はMLP-ANNにのみ別段階として適用するが、木ベースのモデルは内蔵された特徴量選択機能を有する。
• モデルの性能は、実世界の太陽放射エネルギデータセットを用いて、標準的な回帰指標で評価する。
• 比較分析には、短期予測および異なるデータ条件下でのモデルの頑健性評価が含まれる。
• 交差検証と標準化されたデータ前処理を用いた一貫した実験設定により、信頼性を確保する。

実験結果

リサーチクエスチョン

• RQ1 ランダムフォレスト、XGBoost、LightGBM、CatBoost、MLP-ANNのうち、太陽放射エネルギ予測において最高の精度を達成するのはどの機械学習モデルか？
• RQ2 特徴量選択を適用することで、MLP-ANNの性能は木ベースのアンサンブルモデルと比べてどの程度向上するか？
• RQ3 ベイズ最適化は、各モデルの予測性能をどの程度向上させるか？
• RQ4 木ベースのアンサンブルモデルは、内蔵された特徴量選択機能のおかげで、フィードフォワードニューラルネットワークよりも本質的に優れた性能を示すのか？
• RQ5 異なる太陽放射エネルギ条件下において、モデルの汎化性能および頑健性はどのように比較されるか？

主な発見

• ランダムフォレストが、評価されたすべてのモデルの中で予測精度が最も高く、XGBoost、LightGBM、CatBoost、MLP-ANNを上回った。
• MLP-ANNは、学習前の段階で特徴量選択が施された場合、顕著な性能向上を示した。これは、入力の質が出力に強く影響することを示唆している。
• ランダムフォレスト、XGBoost、LightGBM、CatBoostといった木ベースのアンサンブルモデルは、内蔵された特徴量選択機能のおかげで優れた性能を発揮した。
• ベイズ最適化は、すべてのモデルに対してハイパーパramータを効果的にチューニングでき、公平で信頼性のある比較を可能にした。
• MLP-ANNに特徴量選択を適用した際、木ベースのモデルとMLP-ANNの性能差がさらに広がった。これは、アンサンブル手法が内蔵された特徴量重要度に基づく優位性を有することを強化する。
• 本研究では、特に特徴量選択を含む前処理が、太陽放射エネルギ予測におけるニューラルネットワークの予測力の最大化に不可欠であることが確認された。