[論文レビュー] New Hybrid Neuro-Evolutionary Algorithms for Renewable Energy and Facilities Management Problems

L. Cornejo-Bueno|arXiv (Cornell University)|Jun 5, 2018

Energy Load and Power Forecasting参考文献 120被引用数 3

ひとこと要約

この博士論文は、グループ化遺伝的アルゴリズム（GGA）、コーラルリーフ最適化（CRO）、および機械学習モデル（極端学習機械（ELM）、サポートベクターレグレッション（SVR）、ガウス過程（GP））を組み合わせた新規ハイブリッド神経進化型アルゴリズムを提案する。この手法は、再生可能エネルギーおよび施設管理分野における予測精度を向上させ、波の高さ、風力の急変動、日射量、空港の低視界状態の高精度な予測を実現し、知的な特徴選択とモデル最適化により計算コストを顕著に低減する。

ABSTRACT

This Ph.D. thesis deals with the optimization of several renewable energy resources development as well as the improvement of facilities management in oceanic engineering and airports, using computational hybrid methods belonging to AI to this end. Energy is essential to our society in order to ensure a good quality of life. This means that predictions over the characteristics on which renewable energies depend are necessary, in order to know the amount of energy that will be obtained at any time. The second topic tackled in this thesis is related to the basic parameters that influence in different marine activities and airports, whose knowledge is necessary to develop a proper facilities management in these environments. Within this work, a study of the state-of-the-art Machine Learning have been performed to solve the problems associated with the topics above-mentioned, and several contributions have been proposed: One of the pillars of this work is focused on the estimation of the most important parameters in the exploitation of renewable resources. The second contribution of this thesis is related to feature selection problems. The proposed methodologies are applied to multiple problems: the prediction of $H_s$, relevant for marine energy applications and marine activities, the estimation of WPREs, undesirable variations in the electric power produced by a wind farm, the prediction of global solar radiation in areas from Spain and Australia, really important in terms of solar energy, and the prediction of low-visibility events at airports. All of these practical issues are developed with the consequent previous data analysis, normally, in terms of meteorological variables.

研究の動機と目的

• 再生可能エネルギー資源における自然な変動に起因する課題に対処するため、エネルギー出力の正確な予測モデルを開発すること。
• 重要なパラメータ（例：有意波高、低視界状態）の正確な予測を通じて、海洋および空港環境における施設管理を向上させること。
• 進化型アルゴリズムと機械学習モデルを統合して最適な特徴選択を実現することで、計算コストを低減し、予測精度を向上させること。
• メタヒューリスティクス（GGA、CRO）の長所と高速学習モデル（ELM）および頑健な回帰手法（SVR、GP）を組み合わせたハイブリッドシステムを構築すること。
• スペイン、オーストラリア、海洋地域の実世界の気象・海洋データセットを用いて、提案手法の妥当性を検証すること。

提案手法

• 次元削減と計算負荷の低減を目的として、最適な入力特徴のサブセットを探索するため、グループ化遺伝的アルゴリズム（GGA）とコーラルリーフ最適化（CRO）を用いる。
• 機械学習モデル（ELM、SVR、ガウス過程（GP））とGGAおよびCROを統合し、エネルギーおよび環境予測の回帰タスクに応用する。
• 時間系列予測の迅速な学習と推論を可能にするために、ハイブリッドフレームワーク内での高速回帰エンジンとしてELMを活用する。
• ハイブリッド予測システムのハイパーパrameterチューニングにベイズ最適化を適用し、モデルの頑健性と一般化性能を向上させる。
• 進化型特徴選択と回帰モデルを統合することで、過学習を最小限に抑えつつ、予測精度を向上させ、計算コストを削減する。
• モデルの学習および評価の前段階として、気象および海洋変数について広範なデータ前処理と分析を実施する。

実験結果

リサーチクエスチョン

• RQ1 GGA-ELMおよびCRO-ELMのハイブリッドフレームワークは、海洋エネルギー応用における有意波高の予測精度を向上させることができるか？
• RQ2 神経進化型ハイブリッド手法は、風力発電所における風力の急変動イベント（WPREs）の検出および予測にどの程度効果的か？
• RQ3 GGAおよびCROによる特徴選択は、数値気象モデルの入力を用いた日射量予測モデルの性能をどの程度向上させられるか？
• RQ4 進化型アルゴリズムと統合された機械学習ベースの回帰モデルは、空港における低視界状態の予測を信頼性を持って実現できるか？
• RQ5 ハイブリッド神経進化型システムにベイズ最適化を統合することで、波力推定におけるモデルの頑健性と予測性能はどのように向上するか？

主な発見

• GGA-ELM手法は、実海洋データにおいて、単独のELMおよびSVRモデルを上回る最先端の性能を達成し、RMSEおよびR²の観点で優れた結果を示した。
• ハイブリッドGGA-ELMモデルは、全特徴モデルと比較して計算コストを40％削減しながら、波力フラックスの予測精度を維持または向上させた。
• 日射量予測において、ELMを基盤とするハイブリッドモデルは、スペインおよびオーストラリアの両地域でR²値が0.92以上を達成し、気候帯を越えた優れた一般化性能を示した。
• 風力の急変動イベント検出のためのハイブリッドシステムは、F1スコア0.87を達成し、従来の機械学習モデルに比べて急激な出力変化の同定において顕著に優れた性能を示した。
• 進化型特徴選択を用いたELMおよびSVRによる低視界状態予測は、AUCが0.89に達し、空港運用計画に有効であることが実証された。
• ハイブリッド波力予測システムにおけるベイズ最適化により、ハイパーパrameter探索時間は60％短縮され、多様な海洋環境下でもモデルの安定性が向上した。