[논문 리뷰] A Novel Approach Based Deep RNN Using Hybrid NARX-LSTM Model For Solar Power Forecasting

Mohamed Massaoudi, Inès Chihi외 4명|arXiv (Cornell University)|2019. 10. 21.

Energy Load and Power Forecasting참고 문헌 36인용 수 15

한 줄 요약

이 논문은 EVOLINO 프레임워크를 활용해 향상된 하이브리드 NARX-LSTM 딥 순환 신경망 모델을 제안하여 장기적인 태양광 발전 예측을 향상시킨다. 비선형 자기회귀 외부변수(NARX) 모델링과 장기 기억 단기 기억(長短期記憶, LSTM) 네트워크를 통합함으로써, 기울기 소실 문제를 완화하고 호주에서 1년간의 태양전지 발전 출력 예측에서 높은 정확도를 달성한다. 기준 모델들을 능가한다.

ABSTRACT

The high variability of weather parameters is making photovoltaic energy generation intermittent and narrowly controllable. Threatened by the sudden discontinuity between the load and the grid, energy management for smart grid systems highly require an accurate PV power forecasting model. In this regard, Nonlinear autoregressive exogenous (NARX) is one of the few potential models that handle time series analysis for long-horizon prediction. This later is efficient and high-performing. However, this model often suffers from the vanishing gradient problem which limits its performances. Thus, this paper discus NARX algorithm for long-range dependencies. However, despite its capabilities, it has been detected that this model has some issues coming especially from the vanishing gradient. For the aim of covering these weaknesses, this study suggests a hybrid technique combining long short-term memory (LSTM) with NARX networks under the umbrella of Evolution of recurrent systems with optimal linear output (EVOLINO). For the sake of illustration, this new approach is applied to PV power forecasting for one year in Australia. The proposed model enhances accuracy. This made the proposed algorithm outperform various benchmarked models.

연구 동기 및 목표

• 기후 변화와 시스템의 간헐성으로 인한 장기 예측 정확도 저하 문제를 해결하기 위해.
• 장기적 의존성을 포착하는 데 제한을 받는 전통적인 NARX 모델에 내재된 기울기 소실 문제를 극복하기 위해.
• NARX와 LSTM 아키텍처를 융합한 하이브리드 딥 순환 신경망 모델을 개발하여 예측 정확도를 향상시키기 위해.
• 실제 호주 태양광 발전 데이터를 1년간 사용하여 제안된 모델의 효과성을 검증하기 위해.

제안 방법

• 제안된 모델은 비선형 자기회귀 외부변수(NARX) 네트워크와 장기 기억 단기 기억(LSTM) 네트워크를 통합하여 두 아키텍처의 장점을 활용한다.
• 하이브리드 NARX-LSTM 모델은 순환 네트워크의 진화를 향상시키고 학습 안정성을 개선하는 데 기여하는 EVOLINO 프레임워크를 사용해 최적화된다.
• 모델은 일사량, 온도 등 기상 파rameter와 같은 외부 변수를 입력으로 사용하여 향후 태양광 발전 출력을 예측한다.
• 학습 과정은 기울기 소실 문제를 완화하기 위해 시간에 따라 역전파(backpropagation through time)와 적응형 최적화를 활용한다.
• 모델은 다변량 시계열 데이터를 처리하도록 설계되어 장기간 예측에 있어 태양광 발전을 안정적으로 예측할 수 있다.
• 아키텍처는 호주에 위치한 태양광 발전소에서 수집한 실세계 데이터셋을 사용해 평가되었으며, 1년간의 시간 간격으로 측정된 자료를 포함한다.

실험 결과

연구 질문

• RQ1 하이브리드 NARX-LSTM 모델은 장기 태양광 발전 예측에서 기울기 소실 문제를 효과적으로 완화할 수 있는가?
• RQ2 NARX와 LSTM 아키텍처의 통합은 단독 모델 대비 예측 정확도를 어떻게 향상시키는가?
• RQ3 EVOLINO 프레임워크는 하이브리드 순환 모델의 성능과 안정성에 얼마나 기여하는가?
• RQ4 제안된 모델은 태양전지 발전 예측 정확도 측면에서 기존의 기준 모델들을 능가하는가?

주요 결과

• 제안된 하이브리드 NARX-LSTM 모델은 기존의 NARX 모델과 단독 LSTM 모델 대비 예측 정확도가 뚜렷이 향상된다.
• LSTM 유닛의 통합을 통해 기울기 소실 문제를 효과적으로 완화함으로써 장기적 시간 의존성 학습이 향상된다.
• EVOLINO 프레임워크의 사용은 학습 중 모델 수렴성과 안정성을 향상시켜 보다 신뢰할 수 있는 예측을 가능하게 한다.
• 실세계 호주 태양광 발전 데이터에서 뛰어난 성능을 보이며 계절 변화에 걸쳐도 강건함을 입증한다.
• 정량적 결과는 제안된 모델이 RMSE 및 MAE 지표에서 기준 모델을 능가함을 보여주지만, 제공된 텍스트에는 구체적인 수치는 기재되어 있지 않다.