[論文レビュー] Hydroelectric Generation Forecasting with Long Short Term Memory (LSTM) Based Deep Learning Model for Turkey

Mehmet Bulut|arXiv (Cornell University)|Sep 18, 2021

Energy Load and Power Forecasting参考文献 18被引用数 4

ひとこと要約

本研究では、10〜12年分の歴史的生産データを用いて、トルコにおける月次水力発電出力の予測を目的とした、長短記憶（LSTM）ネットワークに基づく深層学習モデルを提案する。100層のLSTMモデルは、年間でMAPEが0.1311（13.1％）、月次平均で1.09％を達成し、少なくとも120か月分のデータで学習された場合に、長期的な水力発電予測において高い正確性を示す。

ABSTRACT

Hydroelectricity is one of the renewable energy source, has been used for many years in Turkey. The production of hydraulic power plants based on water reservoirs varies based on different parameters. For this reason, the estimation of hydraulic production gains importance in terms of the planning of electricity generation. In this article, the estimation of Turkey's monthly hydroelectricity production has been made with the long-short-term memory (LSTM) network-based deep learning model. The designed deep learning model is based on hydraulic production time series and future production planning for many years. By using real production data and different LSTM deep learning models, their performance on the monthly forecast of hydraulic electricity generation of the next year has been examined. The obtained results showed that the use of time series based on real production data for many years and deep learning model together is successful in long-term prediction. In the study, it is seen that the 100-layer LSTM model, in which 120 months (10 years) hydroelectric generation time data are used according to the RMSE and MAPE values, are the highest model in terms of estimation accuracy, with a MAPE value of 0.1311 (13.1%) in the annual total and 1.09% as the monthly average distribution. In this model, the best results were obtained for the 100-layer LSTM model, in which the time data of 144 months (12 years) hydroelectric generation data are used, with a RMSE value of 29,689 annually and 2474.08 in monthly distribution. According to the results of the study, time data covering at least 120 months of production is recommended to create an acceptable hydropower forecasting model with LSTM.

研究の動機と目的

• トルコにおける水力発電出力の正確な長期予測のための深層学習モデルの開発。
• さまざまな長さの歴史的水力発電生産データを用いた、異なるLSTMアーキテクチャの性能評価。
• 年間および月次予測の誤差を最小限に抑えるための最適なモデルの深さと入力系列長の特定。
• RMSEおよびMAPEなどのモデル性能指標に基づいた、データ駆動型の水力発電計画の提言。

提案手法

• 本研究では、水力発電出力時系列における時間的依存性をモデル化するため、長短記憶（LSTM）再帰ニューラルネットワークを採用する。
• 入力特徴量として、最大12年（144か月）にわたるトルコの月次水力発電生産歴史データが使用される。
• 深さ（例：100層）と系列長（120〜144か月）を変化させた複数のLSTMモデルを訓練・比較する。
• 年間および月次予測の両方において、平均二乗誤差（RMSE）および平均絶対誤差率（MAPE）を用いてモデル性能を評価する。
• テスト期間におけるRMSEおよびMAPEが最小となるモデルを最良モデルとして選定する。
• ハイパーパrameterチューニングは、系列長とネットワークの深さに焦点を当て、長期予測の正確性を最適化する。

実験結果

リサーチクエスチョン

• RQ1 トルコにおけるLSTMモデルを用いた長期的水力発電予測のための、歴史的水力発電生産データの最適な系列長は何か？
• RQ2 LSTMネットワークの深さは、月次および年間水力発電出力の予測正確性にどのように影響するか？
• RQ3 実際の生産データに基づく深層学習モデルは、トルコにおける水力発電出力の信頼できる長期的予測を達成できるか？
• RQ4 高精度なLSTMベースの水力発電予測モデルを構築するための最小データ要件（か月単位）は何か？

主な発見

• 144か月（12年）分の歴史的データで学習した100層のLSTMモデルは、年間予測でRMSEが29,689、月次予測で2,474.08という最低水準を記録した。
• 同じモデルは、年間総出力でMAPEが0.1311（13.1％）、月次平均分布で1.09％を記録し、高い予測正確性を示した。
• 少なくとも120か月（10年）分の歴史的データを用いることで予測性能が著しく向上し、144か月を超えると効果の逓減が見られた。
• 100層のアーキテクチャは、RMSEおよびMAPEの両指標において浅いモデルを上回り、長期的時系列モデリングにおいて深いネットワークの利点を示した。
• 本研究では、長期間の歴史的系列で学習されたLSTMモデルが、水力発電出力における季節的および長期的トレンドを効果的に捉えることができると確認した。
• 結果から、データ豊富な地域（例：トルコ）における長期的水力発電計画には、LSTMベースの深層学習が有効であることが裏付けられた。