[論文レビュー] Hybrid Neuro-Evolutionary Method for Predicting Wind Turbine Power Output

Mehdi Neshat, Meysam Majidi Nezhad+7 more|arXiv (Cornell University)|Jan 1, 2020

Energy Load and Power Forecasting参考文献 46被引用数 2

ひとこと要約

本稿では、自己適応的微分進化（SaDE）を用いたハイパーパrameter最適化と、長短期記憶（LSTM）再帰的ニューラルネットワークを組み合わせたハイブリッド神経進化モデル、SaDE-LSTMを提案する。この手法は、k-meansクラスタリングとオートエンコーダーを用いてノイズの多いSCADAデータをフィルタリングすることで、10分および1時間の予測期間において、最先端の性能を達成し、RMSEが1.431×10⁻³にまで低下し、R²スコアは0.991を超える。

ABSTRACT

Reliable wind turbine power prediction is imperative to the planning, scheduling and control of wind energy farms for stable power production. In recent years Machine Learning (ML) methods have been successfully applied in a wide range of domains, including renewable energy. However, due to the challenging nature of power prediction in wind farms, current models are far short of the accuracy required by industry. In this paper, we deploy a composite ML approach--namely a hybrid neuro-evolutionary algorithm--for accurate forecasting of the power output in wind-turbine farms. We use historical data in the supervisory control and data acquisition (SCADA) systems as input to estimate the power output from an onshore wind farm in Sweden. At the beginning stage, the k-means clustering method and an Autoencoder are employed, respectively, to detect and filter noise in the SCADA measurements. Next, with the prior knowledge that the underlying wind patterns are highly non-linear and diverse, we combine a self-adaptive differential evolution (SaDE) algorithm as a hyper-parameter optimizer, and a recurrent neural network (RNN) called Long Short-term memory (LSTM) to model the power curve of a wind turbine in a farm. Two short time forecasting horizons, including ten-minutes ahead and one-hour ahead, are considered in our experiments. We show that our approach outperforms its counterparts.

研究の動機と目的

• 電網統合と発電所管理の向上を目的として、短期的な風力タービン出力予測の精度を向上させること。
• SCADAシステムから得られる非線形的でノイズが多く、混沌とした風力発電時系列データの課題に対処すること。
• データ前処理と高度な最適化およびディープラーニングを統合した、耐障害性の高いハイブリッドモデルの開発。
• 入力特徴量（風速、風向、現在の出力）の異なる組み合わせが予測性能に与える影響の評価。

提案手法

• 原始的なSCADAデータのノイズを検出・フィルタリングするために、k-meansクラスタリングとオートエンコーダーを採用。
• 風力タービンの非線形な出力曲線をモデル化するために、長短期記憶（LSTM）再帰的ニューラルネットワークを用いた。
• 学習率、層数、ニューロン数を含むLSTMハイパーパrameterの最適化に、自己適応的微分進化（SaDE）を適用。
• 複数の最適化手法を比較：グリッドサーチ、グレイ・ウルフ最適化（GWO）、微分進化（DE）、CMA-ES。
• 入力セットの異なる4つの予測モデルを評価：風速のみ、風速と風向、風速と出力、およびすべての3つの入力。
• 10分および1時間の予測期間を想定し、42か月間の陸上風力発電所データセットを用いて実験を実施。

実験結果

リサーチクエスチョン

• RQ1 提案されたSaDE-LSTMモデルは、他のハイブリッドモデルと比較して、風力タービン出力予測においてどのように性能を発揮するか？
• RQ2 k-meansとオートエンコーダーを用いたデータ前処理が、予測精度に与える影響は何か？
• RQ3 風速、風向、現在の出力のどの組み合わせが、最も優れた予測性能をもたらすか？
• RQ4 自己適応的微分進化（SaDE）は、風力発電予測のためのLSTMハイパーパrameter最適化において、どの程度効果的か？
• RQ5 クリーンなデータの使用は、風力予測におけるディープラーニングモデルの性能を顕著に向上させるか？

主な発見

• SaDE-LSTMモデルは、10分予測期間において1.431×10⁻³の最小RMSEを達成し、1時間予測期間では2.833×10⁻²を記録し、すべてのベースラインを上回った。
• 10分予測期間ではR²スコアが0.9921、1時間予測期間では0.9931を達成し、高い予測精度を示した。
• k-meansとオートエンコーダーによるフィルタリングを経たクリーンなデータの使用は、原始的なデータと比較してモデル性能を顕著に向上させた。
• 風速、風向、現在の出力のすべての入力を使用したモデルが最も優れた結果を示し、入力が少ないモデルを上回った。
• フリードマン検定により統計的有意性が確認され、SaDE-LSTMはすべての設定において最高の平均順位を達成した。
• SaDEとLSTMを統合したハイブリッドアプローチは、さまざまなハイパーパramータ設定において優れたロバストネスと一般化性能を示した。