[論文レビュー] PV Power Forecasting Using Weighted Features for Enhanced Ensemble Method

Mohamed Massaoudi, Inès Chihi+4 more|arXiv (Cornell University)|Oct 21, 2019

Solar Radiation and Photovoltaics参考文献 32被引用数 4

ひとこと要約

本稿では、バイアス・バリアンスのトレードオフを最適化するために特徴量重要度分析を統合した重み付き特徴量強化型バギングアンサンブルモデルを、太陽光発電（PV）出力予測のための提案している。専門家知識と統計分析から導出された特徴量重みベクトルを適用することで、予測精度が向上し、ベンチマークモデルと比較してRMSEが5%低減された。

ABSTRACT

Solar power becomes one of the most promising renewable energy resources in recent years. However, the weather is continuously changing, and this causes a discontinuity of energy generation. PV Power forecasting is a suitable solution to handle sudden disjointedness on energy generation by providing fast dispatching to grid electricity. These methods present a key insight into matchmaking grid electricity and photovoltaic plants. Bootstrap aggregation Ensemble method(Bagging) is classified as one of the most useful machine learning models which are applicable to supervised learning regression tasks. Following this regard, this paper proposes a state-of-art method based on bagging and this method works perfectly for PV power forecasting. The latter had powerful capabilities of tracking the behavior of stochastic problems with good accuracy with the aid of feature importance information. This approach comes to optimize bias/variance using feature weighting vector. Thus, this paper is devoted to present various feature importance techniques for Photovoltaic forecasting parameters. This technique consists of improving the aforementioned ensemble model via contributing the knowledge expertise obtained from features analysis to be directly transformed into the Ensemble model. The proposed model is tested on PV power prediction. Therefore, the benchmarked technique shows an improvement in accuracy in terms of RMSE to 5%.

研究の動機と目的

• 気象の変動に起因する間歇的太陽光発電の出力変動に起因する課題に対処すること。
• 機械学習アンサンブル手法を用いてPV出力予測の精度を向上させること。
• 特徴量重要度の知識を直接バギングアンサンブルモデルに統合し、より良い一般化性能を達成すること。
• 特徴量重み付けを用いて、特にRMSEを低減することで予測誤差を削減すること。
• 実世界のPV出力データを用いて提案手法を検証し、ベンチマークと比較すること。

提案手法

• 本手法は、PV出力予測の回帰タスクにおいて、ブートストラップアンサンブル（バギング）をベースのアンサンブルフレームワークとして採用する。
• 特徴量重要度は統計的およびドメイン固有の分析を用いて定量化され、特徴量重みベクトルが生成される。
• 重みベクトルがアンサンブルモデルに統合され、トレーニング中により情報量の多い特徴量を強調する。
• 特徴量の予測的関連性に基づいて寄与度を調整することにより、バイアス・バリアンスのトレードオフを最適化する。
• 機械学習のロバスト性と特徴量分析からの専門家知識を組み合わせることで、モデル性能を向上させる。
• 最終的なモデルは、実際のPV出力データセット上でRMSEを主指標として評価される。

実験結果

リサーチクエスチョン

• RQ1 PV出力予測のためのアンサンブル学習モデルに、特徴量重要度を体系的かつ効果的に統合する方法は何か？
• RQ2 特徴量重み付けが、バギングベースのPV予測モデルの精度にどの程度寄与するか？
• RQ3 ドメイン知識を特徴選択に統合することで、モデルの一般化性能が向上し、RMSEが低減するか？
• RQ4 提案された重み付きアンサンブルモデルは、標準的なバギングおよび他のベンチマーク手法と比較してどのように差をつけるか？
• RQ5 異なる特徴量重要度評価手法が、最終的な予測性能に与える影響は何か？

主な発見

• 提案された重み付き特徴量アンサンブルモデルは、ベンチマークモデルと比較してRMSEで5%の改善を達成した。
• 重みベクトルによる特徴量重要度の統合は、モデルの分散を顕著に低減し、予測の安定性を向上させた。
• 気象の変動に起因する確率的太陽光出力変動を、より高い精度で追跡できた。
• 特徴選択における専門家知識の統合により、多様な気象条件下でのモデルの一般化能力が向上した。
• 急激な気象変化に起因する不連続なエネルギー出力の処理においても、モデルは優れた性能を示した。
• 結果から、特徴量重み付けが、PV出力予測の回帰タスクにおけるバギングの有効性を高めることを確認した。