[논문 리뷰] Bayesian Renewables Scenario Generation via Deep Generative Networks

Yize Chen, Pan Li외 1명|arXiv (Cornell University)|2018. 02. 02.

Generative Adversarial Networks and Image Synthesis인용 수 8

한 줄 요약

이 논문은 역사적 풍력 및 태양광 시계열 데이터에서 직접 다수의 서로 다른 데이터 모드를 학습함으로써 다양한 물리적으로 현실적인 재생 가능 에너지 시나리오를 생성하기 위해 베이지안 생성 적대 신경망(Bayesian GAN)을 제안한다. GAN 프레임워크에 베이지안 추론을 통합함으로써, 고풍속, 저풍속 또는 고분산 조건과 같은 서로 다른 동적 행동을 반영하는 다수의 생성기 모델을 훈련시켜, 기존의 통계적 또는 비-베이지안 GAN 방법보다 더 높은 다양성과 정확도를 확보한 모델-프리 시나리오 생성을 가능하게 한다.

ABSTRACT

We present a method to generate renewable scenarios using Bayesian probabilities by implementing the Bayesian generative adversarial network~(Bayesian GAN), which is a variant of generative adversarial networks based on two interconnected deep neural networks. By using a Bayesian formulation, generators can be constructed and trained to produce scenarios that capture different salient modes in the data, allowing for better diversity and more accurate representation of the underlying physical process. Compared to conventional statistical models that are often hard to scale or sample from, this method is model-free and can generate samples extremely efficiently. For validation, we use wind and solar times-series data from NREL integration data sets to train the Bayesian GAN. We demonstrate that proposed method is able to generate clusters of wind scenarios with different variance and mean value, and is able to distinguish and generate wind and solar scenarios simultaneously even if the historical data are intentionally mixed.

연구 동기 및 목표

• 전력 시스템 계획 및 운영에서 다양한 운영 모드(예: 고풍속/저풍속, 램프 이벤트 등)를 반영하는 물리적으로 현실적인 다각도의 재생 가능 에너지 시나리오를 생성하는 도전 과제를 해결한다.
• 기존의 통계 모델 및 표준 GAN이 종종 서로 다른 데이터 모드를 분리하지 못하거나 혼합된, 대표성이 떨어지는 시나리오를 생성하는 데서 비롯되는 한계를 극복한다.
• 명시적인 확률 모델링이나 시간이 오래 소요되는 샘플링 절차 없이도 효율적이고 확장 가능한 시나리오 생성을 가능하게 한다.
• 역사적 데이터가 혼합되어 있더라도, 다양한 재생 가능 자원(예: 풍력 대비 태양광)에 대해 서로 다른 시공간 패턴을 동시에 학습하고 생성할 수 있음을 입증한다.

제안 방법

• 생성기 및 판별기 신경망 가중치를 사전 및 사후 분포를 가진 랜덤 변수로 간주하는 방식으로, 생성 적대 신경망(GAN) 프레임워크 내에서 베이지안 공식을 도입한다.
• 모든 네트워크 가중치에 대한 사후 분포를 포괄적으로 탐색하기 위해 마르코프 체인 몬테 카를로(MCMC) 샘플링을 사용하여, 각각 서로 다른 데이터 모드를 나타내는 다수의 생성기 모델을 발견한다.
• 병렬로 다수의 생성기(J = 4, M = 4 실험 설정)를 훈련시키며, 각 생성기는 고유한 통계적 특성(예: 평균, 분산, 램프 빈도 등)을 가진 시나리오 군집을 포착한다.
• 풍력 및 태양광 발전소 간의 시공간 상관관계를 유지하기 위해, 역사적 시계열 데이터(예: 텍사스 또는 노스다코타주 24개 풍력 발전소)를 행렬 형태로 GAN에 입력한다.
• 생성된 시나리오가 실제 데이터와 분포상으로 구분되지 않도록 하는 적대적 훈련 목표를 활용하면서도, 베이지안 추론을 통해 데이터 모드 간의 분리를 보장한다.
• 피어슨 상관계수를 통한 풍력 발전소 간 상관관계 분석 및 시나리오 역동성의 시각적 점검을 통해 시나리오 품질을 검증한다.

실험 결과

연구 질문

• RQ1 혼합된 역사적 데이터에서 베이지안 GAN 프레임워크가 고풍속 대비 저풍속 조건과 같은 다수의 서로 다른 재생 가능 에너지 시나리오 모드를 효과적으로 학습하고 생성할 수 있는가?
• RQ2 실제 역사적 데이터와 비교해 복수의 발전소를 포함한 풍력 생성 시나리오에서 복잡한 시공간 상관관계를 얼마나 잘 유지하는가?
• RQ3 표준 GAN 및 전통적인 통계 모델 대비, 베이지안 GAN이 재생 가능 에너지 생성 역동성의 전체 다양성을 얼마나 잘 포괄하는가?
• RQ4 혼합된 데이터로 훈련된 후에도, 풍력 및 태양광 프로파일에 대해 별개로 물리적으로 의미 있는 시나리오를 생성할 수 있는가?
• RQ5 다수의 상관관계가 있는 재생 가능 발전소를 포함한 대규모 전력 시스템 응용 분야에서, 베이지안 GAN 방법은 얼마나 확장 가능하고 효율적인가?

주요 결과

• 베이지안 GAN은 네 개의 서로 다른 생성기를 성공적으로 훈련시켰으며, 각 생성기는 고유한 통계 모드를 반영한다. 생성기 2는 평균과 분산이 유의미하게 낮은 시나리오를 생성하여 온화한 조건을 나타내었고, 생성기 1은 높은 출력과 높은 램프 빈도를 가진 프로파일을 포착했다.
• 박스플롯을 통한 평균 및 분산 분석을 통해 생성된 시나리오가 명백한 동적 행동을 보이며, 다수의 생성기 간에 효과적인 모드 분리가 이루어졌음을 확인했다.
• 노스다코타주 24개 풍력 발전소의 경우, 두 생성기가 서로 다른 시공간 상관계수 구조를 학습하였으며, 상관계수 행렬이 실제 역사적 데이터와 매우 유사하게 일치했다.
• 풍력 및 태양광 데이터가 혼합된 데이터로 훈련된 이후에도, 이 방법은 풍력 및 태양광 프로파일을 구분하여 별개의 시나리오를 생성할 수 있었으며, 데이터 혼합에 대한 강건성을 입증했다.
• 명시적인 분포 모델링 없이도 고해상도의 시나리오 생성을 달성하여, 대규모 전력 시스템 응용 분야에 적합한 빠른 피드포워드 추론이 가능했다.
• 비-베이지안 GAN보다 베이지안 GAN이 혼합 모드 시나리오를 피하고 최적화 및 계획에 활용 가능한 물리적으로 의미 있는 시나리오 군집을 제공함으로써 더 뛰어난 성능을 보였다.