[論文レビュー] Solar Irradiation Forecasting using Genetic Algorithms

V. Gunasekaran, K. K. Kovi+2 more|arXiv (Cornell University)|Jun 26, 2021

Solar Radiation and Photovoltaics参考文献 14被引用数 4

ひとこと要約

本論文では、太陽放射予測の精度を向上させるために、極端な勾配ブースティング（XGBoost）と遺伝的アルゴリズム（GA）最適化を組み合わせたハイブリッド機械学習モデルを提案する。米国SURFRADの3か所のステーションから得られた水平総放射量（GHI）データを用い、GA最適化を施したXGBoostモデルは、ベースラインモデルよりも高い予測精度を達成しており、再生可能エネルギー予測における進化的最適化の有効性を示している。

ABSTRACT

Renewable energy forecasting is attaining greater importance due to its constant increase in contribution to the electrical power grids. Solar energy is one of the most significant contributors to renewable energy and is dependent on solar irradiation. For the effective management of electrical power grids, forecasting models that predict solar irradiation, with high accuracy, are needed. In the current study, Machine Learning techniques such as Linear Regression, Extreme Gradient Boosting and Genetic Algorithm Optimization are used to forecast solar irradiation. The data used for training and validation is recorded from across three different geographical stations in the United States that are part of the SURFRAD network. A Global Horizontal Index (GHI) is predicted for the models built and compared. Genetic Algorithm Optimization is applied to XGB to further improve the accuracy of solar irradiation prediction.

研究の動機と目的

• 電力系統への再生可能エネルギー統合を支援するため、太陽放射予測の高精度化という急増するニーズに対応すること。
• 従来の予測モデルが複雑で非線形な太陽放射パターンを処理するのには限界があることを克服すること。
• 特にXGBoostと遺伝的アルゴリズム最適化を組み合わせたハイブリッド機械学習手法を用いて、太陽放射の予測精度を向上させること。
• 米国SURFRADネットワーク内の複数の地理的場所で得られた実世界データを用いて、提案モデルの妥当性を検証すること。

提案手法

• モデルの学習および検証に使用するため、米国SURFRADの3か所のモニタリングステーションから収集された歴史的水平総放射量（GHI）データを活用する。
• 比較のため、線形回帰と極端な勾配ブースティング（XGBoost）を含むベースラインモデルを実装する。
• XGBoostモデルのハイパーパrameterを最適化するために遺伝的アルゴリズム（GA）を適用し、予測性能を向上させる。
• 予測誤差（例：RMSE や MAE）に基づくフィットネス評価を用いて、最適なハイパーパrameterを探索するGAの探索を支援する。
• 時系列交差検証を用いてモデルを学習および検証することで、妥当性と一般化能力を確保する。
• すべてのモデルの性能を、RMSE、MAE、R² といった標準的な回帰指標を用いて比較する。

実験結果

リサーチクエスチョン

• RQ1 遺伝的アルゴリズム最適化を施したXGBoostは、標準的なXGBoostおよび線形回帰を上回る太陽放射予測性能を示せるか？
• RQ2 進化的計算（GA）の統合が、太陽放射予測モデルの精度をどのように向上させるか？
• RQ3 SURFRADネットワーク内の米国各地における地理的差異が、モデル性能に与える影響は何か？
• RQ4 GAによるハイパーパrameterチューニングが、太陽放射予測の誤差をどの程度低減できるか？
• RQ5 多様な気候条件において、提案モデルは、頑健性および一般化能力の観点から、どのようにベースラインモデルと比較されるか？

主な発見

• GA最適化XGBoostモデルは、全テストモデルの中で予測精度が最も高く、線形回帰および標準XGBoostを著しく上回った。
• 遺伝的アルゴリズム最適化により、XGBoostモデルの平均二乗誤差（RMSE）が著しく低減され、太陽放射予測のハイパーパrameterチューニングにおける価値が実証された。
• 3か所のSURFRADステーションすべてで一貫した性能を示し、地理的・気候的変動に対しても頑健であることが確認された。
• XGBoostとGA最適化を組み合わせたハイブリッド手法により、ベースラインモデルと比較してR²が向上し、MAEが低減された。
• 進化的計算手法（例：GA）が、再生可能エネルギー予測タスクにおける機械学習モデルの性能向上に有効であることが結果から確認された。
• 本研究では、実世界のSURFRADデータを用いた太陽放射予測モデルの学習および評価が、高い信頼性で可能であることが検証された。