[논문 리뷰] A Review of Wind Speed and Wind Power Forecasting Techniques

Harsh S. Dhiman, Dipankar Deb|arXiv (Cornell University)|2020. 09. 02.

Energy Load and Power Forecasting참고 문헌 46인용 수 29

한 줄 요약

이 논문은 풍속 및 풍력 예측 기법을 검토하며, ARIMA 및 지속성과 같은 통계 모델과 웨이블릿 분해, LSSVM, WOA-LSSVR와 같은 고급 기계학습 및 하이브리드 방법을 비교한다. 하이브리드 모델이 특히 단기 및 중기 예측 수준에서 예측 정확도를 크게 향상시킨다는 것을 입증하며, 기준 모델 대비 RMSE 및 MAPE가 최대 20% 감소함을 보여준다.

ABSTRACT

Forecasting a particular variable can depend upon temporal or spatial scale. Temporal variations that indicate variations with time, reflect the stochasticity present in the variable. Spatial variation usually are dominant in climatology and meteorology. Temporal scale for a variable can be modeled in terms of time-series. A time series is a successively ordered sequence of numerical data points, and can be taken on any variable changing with time. Wind speed forecasting applications lie majorly in the area of electricity market clearing, economic load dispatch and scheduling, and sometimes to provide ancillary support. Thus, a proper classification based on the prediction horizon i.e. the duration of prediction becomes important for various transmission system operators.

연구 동기 및 목표

• 전력 시스템에 맞는 적용을 위해 예측 기간(매우 단기에서 매우 장기까지)에 따라 풍속 예측 기법을 분류하기 위해.
• 기존의 통계 모델(예: ARIMA, 지속성)과 고급 기계학습 기법을 풍속/풍력 예측에서 평가하고 비교하기 위해.
• 신호 처리 기법과 지능형 알고리즘을 융합한 하이브리드 예측 모델의 성능을 분석하기 위해.
• 다양한 시간 기간에서 예측 정확도를 평가하기 위한 핵심 성능 지표(MAPE, RMSE, MAE, MSE)를 특정하기 위해.
• 최적의 풍력 발전 조정 및 전력망 통합을 지원하기 위해 예측 기법에 대한 체계적인 개요를 제공하기 위해.

제안 방법

• 예측 기간 기반으로 예측 기법을 분류: 매우 단기(초부터 30분 이내), 단기(30분에서 6시간 이내), 중기(6~24시간), 장기(24~72시간), 매우 장기(72시간 이상).
• 표준 오차 지표를 사용: MAPE, MAE, MSE, RMSE로 예측 정확도를 정량화하며, 공식은 다음과 같다: MAPE = (100/N)Σ|pf−p|/pf, MAE = (1/N)Σ|pf−p|, MSE = (1/N)Σ(pf−p)², RMSE = √(MSE).
• 노이즈 감소 및 원시 풍속 시계열에서 의미 있는 부분 신호 추출을 위해 웨이블릿 분해, EEMD, CEEMD 등의 신호 전처리 기법을 적용.
• 메타휴리스틱 기반 최적화(예: WOA, 도마뱀 기반 알고리즘)를 활용해 LSSVM, ELM, GRNN, BPNN, 엘먼 신경망 등의 기계학습 모델을 활용.
• 분해 기법과 회귀 모델을 융합하여 비선형 및 비 stationary한 풍속 패턴을 모델링함으로써 다단계 예측 성능 향상(예: WOA-LSSVR, MOSCA-WNN).
• ARIMA 및 지속성 모델과의 비교 분석을 통해 싱가포르, 중국, 호주 등 여러 글로벌 데이터셋에서 모델을 검증.

실험 결과

연구 질문

• RQ1 매우 단기에서 매우 장기 예측 기간까지 다양한 예측 기간에서 다양한 풍속 예측 기법의 성능은 어떻게 다른가?
• RQ2 풍속 및 풍력 예측에서 통계 모델(예: ARIMA, 지속성)과 하이브리드 기계학습 모델 간의 상대적 정확도는 어떠한가?
• RQ3 웨이블릿 분해 및 EEMD와 같은 신호 전처리 기법이 비정상적인 풍속 데이터에서 예측 정확도를 얼마나 향상시키는가?
• RQ4 메타휴리스틱 최적화 알고리즘(예: WOA, 도마뱀 기반 알고리즘)은 예측에서 회귀 모델의 성능을 어떻게 향상시키는가?
• RQ5 실제 응용에서 하이브리드 예측 모델의 정확도를 가장 잘 반영하는 핵심 성능 지표(MAPE, RMSE, MAE)는 무엇인가?

주요 결과

• 웨이블릿 분해와 LSSVM 또는 WOA 최적화 LSSVR를 융합한 하이브리드 예측 모델은 ARIMA 및 지속성과 같은 전통적 통계 모델에 비해 RMSE 및 MAPE 측면에서 뛰어난 성능을 보였다.
• WOA-LSSVR 모델은 6개의 글로벌 풍속 데이터셋에서 GRNN 및 BPNN에 비해 더 낮은 RMSE 및 MAE를 기록하여 뛰어난 성능을 보였다.
• 보완적 통합 임피리컬 모드 분해(CEEMD)와 다목적 최적화를 사용한 모델은 매우 비선형적인 풍속 시리즈 예측에서 향상된 강건성과 안정성을 보였다.
• LSSVM 모델의 입력 선택에 상관계수를 활용함으로써 웨이블릿 분해에서 유의미한 부분 시리즈를 우선순위로 정렬함으로써 예측 정확도가 향상되었다.
• 성능 평가 결과, MAPE는 RMSE보다 풍력 예측의 상대적 정확도 평가에 더 효과적인 지표로 확인되었다.
• 계산 비용이 높지만, MCEEMD 기반 하이브리드 모델은 노이즈 및 극단적 값 처리에서 뛰어난 정확도를 보이며 특히 뛰어난 성능을 발휘했다.