[論文レビュー] Smooth Pinball Neural Network for Probabilistic Forecasting of Wind Power

Kostas Hatalis, Alberto J. Lamadrid+2 more|arXiv (Cornell University)|Oct 4, 2017

Energy Load and Power Forecasting参考文献 34被引用数 23

ひとこと要約

本稿では、ピンバラスコアの滑らかな近似と、分位数の重複を防ぐための新しい重み初期化手法を組み合わせることで、非パrametric確率的風力予測のためのスムーズ・ピンバル・ニューラルネットワーク（SPNN）を提案する。この手法は、GEFCOM2014データセットの全10地域において、分位数スコア、予測区間の鋭さ、信頼性の面で優れた性能を発揮し、複数分位数回帰やサポートベクタ分位数回帰といったベンチマークを上回り、重複する分位数推定を排除した。

ABSTRACT

Uncertainty analysis in the form of probabilistic forecasting can significantly improve decision making processes in the smart power grid for better integrating renewable energy sources such as wind. Whereas point forecasting provides a single expected value, probabilistic forecasts provide more information in the form of quantiles, prediction intervals, or full predictive densities. This paper analyzes the effectiveness of a novel approach for nonparametric probabilistic forecasting of wind power that combines a smooth approximation of the pinball loss function with a neural network architecture and a weighting initialization scheme to prevent the quantile cross over problem. A numerical case study is conducted using publicly available wind data from the Global Energy Forecasting Competition 2014. Multiple quantiles are estimated to form 10%, to 90% prediction intervals which are evaluated using a quantile score and reliability measures. Benchmark models such as the persistence and climatology distributions, multiple quantile regression, and support vector quantile regression are used for comparison where results demonstrate the proposed approach leads to improved performance while preventing the problem of overlapping quantile estimates.

研究の動機と目的

• 確率的風力予測における分位数の重複という課題に取り組み、信頼性と解釈可能性を損なう要因を解消すること。
• ピンバル損失関数の滑らかな近似を用いてトレーニングするニューラルネットワークを用いて、非パrametric確率的予測の精度とロバスト性を向上させること。
• 分位数の重複を防ぐために、一様分布の近似に基づいて重みを初期化する新しい重み初期化手法を開発すること。
• GEFCOM2014コンペティションの実際の風力データを用いて、SPNNモデルをベンチマーク手法と比較すること。
• SPNNが、従来の手法よりも鋭く信頼性の高い予測区間を生成し、分位数スコアを低く抑えることを実証すること。

提案手法

• SPNNは、複数の分位数出力を一度に学習可能となるように、ピンバル損失関数の滑らかな近似を採用することで、勾配計算が可能な学習を可能にする。
• 本稿で提案する新しい重み初期化手法は、一様分布の下での風力出力の二乗誤差を近似することで初期重みを設定し、トレーニング中に分位数の重複を防止する。
• モデルは、歴史的風力出力データと数値予報天気予測（NWP）データを用いて、エンドツーエンドでトレーニングされ、同時に複数の分位数を予測する。
• 10%、20%、…、90%の予測区間を、1つのニューラルネットワークで一度の順伝播計算で全分位数を出力することで推定する。
• 分位数スコア（QS）、区間スコア（IS）、被覆精度（ACE）を用いて性能を評価し、予測の精度と信頼性を評価する。
• SPNNは、パーわランス、クライメートロジー、複数分位数回帰（MQR）、サポートベクタ分位数回帰（SVQR）といったベンチマークと比較される。

実験結果

リサーチクエスチョン

• RQ1 ピンバル損失関数の滑らかな近似は、多分位数風力予測に用いるニューラルネットワークのトレーニング安定性と性能を向上させるか？
• RQ2 提案された重み初期化手法は、多出力ニューラルネットワークにおける分位数の重複を効果的に防止できるか？
• RQ3 SPNNモデルは、分位数スコア、予測区間の鋭さ、信頼性の観点から、既存のベンチマークと比較してどのように差をつけるか？
• RQ4 SPNNは、条件付き分布の完全なモデル化を直接行わずに、高品質な予測密度を生成できるか？
• RQ5 SPNNは、多様な風力発電所の位置と予測時間軸において、適切な被覆性と鋭さをどの程度維持できるか？

主な発見

• SPNN-w（重み初期化を適用）は、GEFCOM2014データセットの全10地域において、最も低い分位数スコアを達成し、MQRやSVQRを著しく上回った。
• SPNN-wは、SPNN-wo（初期化なし）と比較して、分位数の重複回数をほぼ2桁減少させ、地域平均で100回未満に抑えた。
• SPNN-wは、全地域で最小の区間スコア（IS）を達成し、鋭く正確な予測区間を実現した。
• SPNN-wは、大多数の地域で最小または第二位のACE（被覆精度）を達成し、観測値を適切にカバーする高い信頼性を示した。
• モデルは、全月および全地域において適切な予測区間被覆性を維持し、事前に設定されたPIレベルが一貫して満たされた。
• SPNN手法は、区間被覆性や幅の直接最適化がなくても、最適な分位数推定を通じて間接的に高品質な予測密度を生成した。