[論文レビュー] Wind speed forecast using random forest learning method

G. V. Drisya, P. Valsaraj+2 more|arXiv (Cornell University)|Mar 23, 2022

Energy Load and Power Forecasting被引用数 8

ひとこと要約

本稿では、過去12時間分の歴史的風速データを用いた短期風速予測のためのランダムフォレスト回帰モデルを提案する。2週間分のデータで訓練されたモデルは、3年先までの予測を低平均二乗誤差で実現し、再エネ予測におけるアンサンブル学習の有効性を示している。

ABSTRACT

Wind speed forecasting models and their application to wind farm operations are attaining remarkable attention in the literature because of its benefits as a clean energy source. In this paper, we suggested the time series machine learning approach called random forest regression for predicting wind speed variations. The computed values of mutual information and auto-correlation shows that wind speed values depend on the past data up to 12 hours. The random forest model was trained using ensemble from two weeks data with previous 12 hours values as input for every value. The computed root mean square error shows that model trained with two weeks data can be employed to make reliable short-term predictions up to three years ahead.

研究の動機と目的

• 風力発電所の運用改善を目的とした機械学習ベースの風速予測モデルの開発。
• 相互情報量および自己相関分析を用いた風速の時間的依存性の調査。
• ランダムフォレスト回帰が長期間予測において風速を予測する性能の評価。
• 予測モデルの入力特徴量としての最適な歴史的期間（最大12時間）の特定。
• 実世界のデータを用いて、モデルの長期的短期予測における信頼性の検証。

提案手法

• ランダムフォレスト回帰モデルは、過去12時間分の測定値を入力特徴量として用い、2週間分の歴史的風速データで訓練される。
• 特徴量選択は、相互情報量および自己相関分析によって行われ、関連する時間的依存性を同定する。
• モデルは分散を低減し、予測の頑健性を向上させるために意思決定木のアンサンブルを採用する。
• モデルの性能は、テストデータにおける平均二乗誤差（RMSE）を用いて評価される。
• 訓練済みモデルは、3年先までの外挿予測能力をテストする。
• 予測フレームワークは、一般化を確保するための時系列交差検証を用いて実装される。

実験結果

リサーチクエスチョン

• RQ1 過去の観測値を用いた将来の風速予測における最適な歴史的時間窓は何か？
• RQ2 ランダムフォレスト回帰モデルは、風速時系列における非線形パターンをどれほど効果的に捉えられるか？
• RQ3 2週間分の短い窓で訓練されたモデルは、長期間予測（最大3年）に一般化可能か？
• RQ4 ベースライン手法と比較して、ランダムフォレストモデルの予測精度はどの程度か？
• RQ5 相互情報量および自己相関値は、モデルの入力特徴量選択にどのように寄与するか？

主な発見

• 相互情報量および自己相関分析により、風速値が過去12時間分のデータに顕著な依存性を示すことが確認された。
• 2週間分のデータで訓練されたランダムフォレストモデルは、低平均二乗誤差を達成し、高い予測精度を示した。
• モデルは、3年先までの信頼性の高い短期風速予測を実現した。
• ランダムフォレストのアンサンブル特性により、ノイズの多い風速データにおいて過学習が効果的に低減され、頑健性が向上した。
• 直近12時間分の歴史的風速データを入力特徴量として用いることで、予測性能が顕著に向上した。
• 長期間にわたる予測におけるモデルの一般化能力は、風力エネルギーシステムにおける実用的導入の強力な可能性を示唆している。