[논문 리뷰] A Bayesian Model Committee Approach to Forecasting Global Solar Radiation

Philippe Lauret, Auline Rodler외 4명|arXiv (Cornell University)|2012. 03. 24.

Solar Radiation and Photovoltaics참고 문헌 3인용 수 5

한 줄 요약

이 논문은 ARMA 및 신경망 모델을 조합하여 전 세계 수평 일조량(GHI)을 예측하기 위해 베이지안 모델 위원회 접근법을 제안한다. 베이지안 추론을 통해 예측의 신뢰성에 따라 모델의 가중치를 부여한다. 일년 치 시간별 데이터를 대상으로 평가한 결과, 이 방법은 한 시간 후 예측에서 지속성 모델보다 유의미하게 뛰어난 성능을 보이며, 확률적 모델 조합을 통해 정확도를 향상시킨다.

ABSTRACT

This paper proposes to use a rather new modelling approach in the realm of solar radiation forecasting. In this work, two forecasting models: Autoregressive Moving Average (ARMA) and Neural Network (NN) models are combined to form a model committee. The Bayesian inference is used to affect a probability to each model in the committee. Hence, each model's predictions are weighted by their respective probability. The models are fitted to one year of hourly Global Horizontal Irradiance (GHI) measurements. Another year (the test set) is used for making genuine one hour ahead (h+1) out-of-sample forecast comparisons. The proposed approach is benchmarked against the persistence model. The very first results show an improvement brought by this approach.

연구 동기 및 목표

• 앙상블 모델링을 통해 단기 전 세계 태양 복사량 예측의 정확도를 향상시키기.
• 개별 예측 모델의 불확실성을 베이지안 추론을 통해 다수의 모델을 조합함으로써 해소하기.
• 예측 성능에 기반해 다양한 모델에 신뢰도 가중치를 할당하는 확률적 프레임워크를 개발하기.
• 실제 GHI 측정값을 사용해 제안된 모델 위원회를 단순 지속성 모델과 비교 평가하기.

제안 방법

• 일년 치 시간별 전 세계 수평 일조량(GHI) 데이터를 기반으로 두 개의 예측 모델—자기회귀이동평균(ARMA) 및 신경망(NN)—을 훈련한다.
• 훈련 데이터를 바탕으로 각 모델의 사후 확률을 계산하기 위해 베이지안 추론을 적용하여, 모델의 신뢰도에 따라 확률적 가중치를 부여한다.
• 각 모델의 한 시간 후 예측값을 그 모델의 사후 확률로 가중하여 통합 예측을 구성한다.
• 모델 위원회의 최종 예측은 개별 모델 예측의 가중 평균이며, 이는 모델 신뢰도를 반영한다.
• 일반화 성능을 평가하기 위해 별도의 한 해 데이터를 사용해 외부 샘플 테스트를 수행한다.
• 모델 성능은 이전 시간의 GHI 값을 예측으로 사용하는 지속성 모델과 비교한다.

실험 결과

연구 질문

• RQ1 베이지안 추론을 통해 ARMA 및 신경망 모델을 조합함으로써 전 세계 태양 복사량 예측 정확도를 향상시킬 수 있는가?
• RQ2 베이지안 모델 위원회가 시간별 GHI 예측에서 단순 지속성 모델과 비교해 어떻게 성능을 발휘하는가?
• RQ3 베이지안 가중치를 통한 모델 불확실성 정량화가 예측 신뢰도에 어떤 기여를 하는가?
• RQ4 모델 위원회가 개별 모델에 비해 예측 오차를 어느 정도 감소시키는가?

주요 결과

• 베이지안 모델 위원회 접근법은 한 시간 후 전 세계 수평 일조량 예측에서 지속성 모델에 비해 유의미한 정확도 향상을 달성한다.
• 베이지안 모델 가중치의 사용은 모델의 신뢰도를 효과적으로 반영하여 더 견고하고 정확한 앙상블 예측을 가능하게 한다.
• ARMA 및 신경망 모델의 조합은 선형 및 비선형 모델링의 장점을 결합하여 전반적인 성능 향상을 이룬다.
• 개별 모델에 비해 모델 위원회가 예측 오차를 감소시켜, 태양 복사량 예측에서 앙상블 학습의 가치를 입증한다.