[論文レビュー] Transfer Learning in the Field of Renewable Energies -- A Transfer Learning Framework Providing Power Forecasts Throughout the Lifecycle of Wind Farms After Initial Connection to the Electrical Grid

Jens Schreiber|arXiv (Cornell University)|Jun 3, 2019

Domain Adaptation and Few-Shot Learning参考文献 15被引用数 5

ひとこと要約

本論文は、類似した風力発電所や気象モデルからの知識を活用することで、限られたまたは全く歴史的データがない状況下でも、風力発電所のライフサイクル全体にわたり正確な予測を可能にする転移学習フレームワークを提案する。このアプローチはアンサンブルモデル、マルチタスク学習、自己最適化メカニズムを用い、予測を動的に適応させる。従来の物理モデルを上回り、再生可能エネルギーシステムにおける自動的でスケーラブルな展開を可能にする。

ABSTRACT

In recent years, transfer learning gained particular interest in the field of vision and natural language processing. In the research field of vision, e.g., deep neural networks and transfer learning techniques achieve almost perfect classification scores within minutes. Nonetheless, these techniques are not yet widely applied in other domains. Therefore, this article identifies critical challenges and shows potential solutions for power forecasts in the field of renewable energies. It proposes a framework utilizing transfer learning techniques in wind power forecasts with limited or no historical data. On the one hand, this allows evaluating the applicability of transfer learning in the field of renewable energy. On the other hand, by developing automatic procedures, we assure that the proposed methods provide a framework that applies to domains in organic computing as well.

研究の動機と目的

• 新規または改修された風力発電所において、発電量の歴史的データが限られているもしくは存在しない状況が、機械学習ベースの予測に悪影響を及えるという課題に対処すること。
• 風力発電所のライフサイクル全体に適用可能な、自動的かつ自己最適化可能な転移学習フレームワークを構築すること。
• 夜間のタービン停止や数値予報モデルの変更といった、新たな状態への継続的適応を可能にすること。
• 視覚や自然言語処理を超えて、有機的コンピューティングおよびエネルギー分野へ転移学習を拡張し、再利用可能で適応可能なフレームワークを構築すること。
• 類似した風力発電所や気象データソースからの知識を活用することで、従来の物理モデルを上回る予測精度を実現すること。

提案手法

• 複数の風力発電所からの予測を統合することで汎化性と適応性を向上させる、クロスソース一般化アンサンブル（CSGE）モデルを活用する。
• 空間抽象化レイヤーを備えたマルチクロスタスク学習（MCL）を採用し、NWP入力および風力発電所間の空間的関係を包括的な表現として学習する。
• 新しいデータに対してモデルをファインチューニングすることで転移学習を実施し、夜間の停止や新しい気象モデルといった新規要因に対応できるようにする。
• 確率的予測分析と感度分析を活用し、モデル入力として最も影響力のある特徴量（例：100mおよび10m高度の風速）を事前に選択する。
• 自動設定と自己改善手順を用い、性能とデータの可用性に基づいてモデルの重みを再調整することで、継続的最適化を実現する。
• 損失関数最適化済みのCSGEを採用し、完全な再トレーニングなしに新しいデータや状況に動的に再構成・適応可能にする。

実験結果

リサーチクエスチョン

• RQ1 限られたまたは全く歴史的データがない新しい風力発電所へ、歴史的ソースドメインデータと予測モデルを効果的に転送する方法は何か？
• RQ2 風力発電予測において、転送に最も適した歴史的ソースドメインデータと予測モデルの種別は何か？
• RQ3 時間の経過とともに増加する歴史的データを、新しい風力発電所のモデルに自動的に統合する方法は何か？
• RQ4 新たなデータや状況（例：夜間の停止）が出現した際に、システムが自己設定および自己最適化できる仕組みは何か？
• RQ5 空間的およびNWP抽象化レイヤーを備えたマルチタスク学習は、多様な風力発電所および気象モデル間で、強固で汎用性のある予測を可能にするか？

主な発見

• 100m高度の風速は、評価されたすべての地形および機械学習モデルにおいて、発電量予測において最も影響力のある特徴量である。
• 10m高度の風速が2番目に影響力が大きく、100m高度での風速変動性および気圧も顕著な影響を示している。
• CSGEアプローチは分類および回帰タスクの両方で最先端の性能を達成し、実世界のデータセットにおいて標準アンサンブル手法を上回っている。
• アンサンブルモデルの再トレーニングおよびファインチューニングにより、フレームワークは夜間のタービン停止といった新たな状態に対しても自動的適応可能である。
• 空間的およびNWP抽象化レイヤーを備えたマルチクロスタスク学習により、異なる気象モデルおよび風力発電所の位置間で知識を転送可能である。
• 初期の結果から、転移学習ベースの予測が、最小限のデータでも従来の物理モデルを著しく上回る予測精度を達成することが確認された。