[논문 리뷰] A Multi-Scheme Ensemble Using Coopetitive Soft-Gating With Application to Power Forecasting for Renewable Energy Generation

André Gensler, Bernhard Sick|arXiv (Cornell University)|2018. 03. 16.

Energy Load and Power Forecasting참고 문헌 44인용 수 5

한 줄 요약

이 논문은 다중 전력 예측 모델과 기상 예측 모델을 협동적 경쟁 소프트 게이팅 메커니즘을 통해 동적으로 통합하는 새로운 다중 체계 통합 학습 방법인 Coopetitive Soft-Gating Ensemble (CSGE)를 제안한다. 이 방법은 전역적, 예측 지연 시간에 따라 달라지는, 기상 상황에 따라 달라지는 모델의 강점을 적절히 활용하여 기존 기준 통합 기법보다 공개된 재생 가능 에너지 데이터셋에서 뛰어난 예측 정확도를 달성한다.

ABSTRACT

In this article, we propose a novel ensemble technique with a multi-scheme weighting based on a technique called coopetitive soft gating. This technique combines both, ensemble member competition and cooperation, in order to maximize the overall forecasting accuracy of the ensemble. The proposed algorithm combines the ideas of multiple ensemble paradigms (power forecasting model ensemble, weather forecasting model ensemble, and lagged ensemble) in a hierarchical structure. The technique is designed to be used in a flexible manner on single and multiple weather forecasting models, and for a variety of lead times. We compare the technique to other power forecasting models and ensemble techniques with a flexible number of weather forecasting models, which can have the same, or varying forecasting horizons. It is shown that the model is able to outperform those models on a number of publicly available data sets. The article closes with a discussion of properties of the proposed model which are relevant in its application.

연구 동기 및 목표

• 다양한 예측 모델과 기상 예측을 통합하여 재생 에너지 전력 예측 정확도를 향상시키기 위해.
• 단일 다양성 원칙(예: 데이터, 파rameter, 또는 구조 다양성)에 의존하는 전통적 통합 기법의 한계를 해결하기 위해.
• 다양한 예측 수준과 기상 및 전력 예측 모델의 수가 달라지는 상황을 지원하는 유연하고 계층적인 통합 프레임워크를 개발하기 위해.
• 전역 성능, 예측 지연 시간 효과, 기상 조건에 따른 정확도를 고려한 적응형 모델 가중치를 제공하기 위해.
• 계산적으로 효율적이고 실시간 적용에 쉽게 확장 가능한 견고한 후처리 통합 기법을 제공하기 위해.

제안 방법

• 이 방법은 전력 예측 모델 통합, 기상 예측 모델 통합, 지연 통합의 세 가지 패러다임을 조합한 계층적 통합 구조를 사용한다.
• 통합 구성원 간의 경쟁과 협력을 균형 잡는 협동적 경쟁 소프트 게이팅 메커니즘을 사용하여 전체 예측 성능를 최적화한다.
• 각 전력 예측 모델의 가중치는 해당 기상 예측 모델의 품질에 기반하여 동적으로 결정되며, 최근접 이웃 또는 다중 선형 보간을 통한 국소적 품질 평가를 활용한다.
• 통합 학습은 개별 모델을 재학습하지 않는 후처리 단계로 공식화되어 있으며, 가중치 벡터 η를 최적화함으로써 빠른 평가와 부드러운 최적화를 가능하게 한다.
• 정규화 파ram터 ζ는 정적 평균(높은 정규화)과 순수 게이팅(낮은 정규화) 사이의 트레이드오프를 제어하여 과적합을 방지한다.
• 새로운 관측치를 활용한 온라인 가중치 업데이트를 지원하여 변화하는 조건에 지속적으로 적응할 수 있다.

실험 결과

연구 질문

• RQ1 전력 예측 모델, 기상 예측 모델, 지연 예측을 통합하는 다중 체계 통합 기법이 재생 에너지 전력 예측에서 표준 통합 기법보다 뛰어난 성능을 낼 수 있는가?
• RQ2 협동적 경쟁 소프트 게이팅이 다양한 예측 모델 간의 경쟁과 협력을 효과적으로 균형 잡아 정확도를 향상시킬 수 있는가?
• RQ3 제안된 방법이 다양한 예측 지연 시간과 기상 및 전력 예측 모델의 수가 달라지는 상황에 얼마나 잘 적응할 수 있는가?
• RQ4 CSGE 방법의 성능가 장기 평균과 순수 게이팅 전략을 비교하여 다수의 공개 데이터셋에서 어떻게 나타나는가?
• RQ5 이 통합 프레임워크는 실시간 예측 환경에서 온라인 학습과 불확실성 추정을 지원하도록 확장될 수 있는가?

주요 결과

• 제안된 CSGE 방법은 공개된 여러 재생 에너지 데이터셋에서 기준 통합 기법과 개별 예측 모델보다 뛰어난 성능을 보였다.
• 이 방법은 예측 지연 시간과 기상 조건에 따라 기상 및 전력 예측 모델의 강점을 적응적으로 활용함으로써 뛰어난 예측 정확도를 달성했다.
• 탄력적이고 계층적인 구조 덕분에 다양한 예측 수준(예: 당일 예측 및 일일 내 예측 포함)에서 뛰어난 견고성을 보였다.
• 정규화 파ram터 ζ의 사용으로 안정적인 성능이 확보되었으며, 과적합을 방지하면서도 필요한 경우 동적 가중치를 허용했다.
• 후처리 방식의 통합 학습 덕분에 빠른 평가와 원활한 최적화가 가능하여 효율적인 파aram터 튜닝과 온라인 적응을 지원했다.
• 지역적 품질 평가 방법(예: 최근접 이웃 대비 다중 선형 보간)의 선택에 따라 소규모 및 대규모 데이터셋 모두에서 호환 가능하다.