[논문 리뷰] Comparative Analysis of Machine Learning Algorithms for Solar Irradiance Forecasting in Smart Grids

Saman Soleymani, Shima Mohammadzadeh|arXiv (Cornell University)|2023. 10. 20.

Energy Load and Power Forecasting인용 수 4

한 줄 요약

이 연구는 베이지안 최적화를 통한 초모수 조정을 활용하여 스마트 그리드에서 태양 복사 에너지 예측을 위한 최신 기계학습 모델—랜덤 포레스트, XGBoost, LightGBM, CatBoost, 그리고 MLP-ANN—의 성능을 평가한다. 결과적으로 랜덤 포레스트가 다른 모델들을 능가하며, MLP-ANN의 성능은 사전 특성 선택을 통해 크게 향상되어 신경망에서 사전 처리의 중요성을 강조한다.

ABSTRACT

The increasing global demand for clean and environmentally friendly energy resources has caused increased interest in harnessing solar power through photovoltaic (PV) systems for smart grids and homes. However, the inherent unpredictability of PV generation poses problems associated with smart grid planning and management, energy trading and market participation, demand response, reliability, etc. Therefore, solar irradiance forecasting is essential for optimizing PV system utilization. This study proposes the next-generation machine learning algorithms such as random forests, Extreme Gradient Boosting (XGBoost), Light Gradient Boosted Machine (lightGBM) ensemble, CatBoost, and Multilayer Perceptron Artificial Neural Networks (MLP-ANNs) to forecast solar irradiance. Besides, Bayesian optimization is applied to hyperparameter tuning. Unlike tree-based ensemble algorithms that select the features intrinsically, MLP-ANN needs feature selection as a separate step. The simulation results indicate that the performance of the MLP-ANNs improves when feature selection is applied. Besides, the random forest outperforms the other learning algorithms.

연구 동기 및 목표

• 스마트 그라이드 운영에서 태양 에너지 변동성 문제를 해결하기 위해 태양 복사 에너지 예측 정확도를 향상시키는 것.
• 최신 앙상블 및 신경망 모델의 태양 복사 에너지 예측 성능을 평가하는 것.
• 트리 기반 모델 대비 MLP-ANN 성능에 대한 특성 선택의 영향을 조사하는 것.
• 모든 모델에 동일한 기준으로 초모수 조정을 위해 베이지안 최적화를 적용하여 공정한 비교를 보장하는 것.

제안 방법

• 이 연구는 랜덤 포레스트, XGBoost, LightGBM, CatBoost, 다층 퍼셉트론 인공 신경망(MLP-ANNs) 총 다섯 가지 기계학습 모델을 사용한다.
• 모든 모델에 대해 초모수 조정을 위해 베이지안 최적화를 활용하여 각 알고리즘에 최적의 설정을 확보한다.
• 특성 선택은 MLP-ANNs에 대해 별도의 사전 처리 단계로 적용하며, 트리 기반 모델은 내재된 특성 선택 기능을 활용한다.
• 실제 태양 복사 에너지 데이터셋을 바탕으로 표준 회귀 평가 지표를 사용해 모델 성능을 평가한다.
• 비교 분석은 단기 예측과 다양한 데이터 조건 하에서의 모델 내성 평가를 포함한다.
• 모델 간 신뢰성 있는 비교를 위해 교차 검증과 표준화된 데이터 사전 처리를 통한 일관된 실험 설정을 사용한다.

실험 결과

연구 질문

• RQ1 랜덤 포레스트, XGBoost, LightGBM, CatBoost, MLP-ANNs 중에서 태양 복사 에너지 예측 정확도가 가장 높은 기계학습 모델은 무엇인가?
• RQ2 특성 선택이 트리 기반 앙상블 모델 대비 MLP-ANNs 성능에 어떤 영향을 미치는가?
• RQ3 베이지안 최적화가 각 모델의 예측 성능 향상에 얼마나 기여하는가?
• RQ4 트리 기반 앙상블 모델이 내재된 특성 선택 기능 덕분에 피드포워드 신경망보다 태양 복사 에너지 예측에서 본질적으로 뛰어나다고 볼 수 있는가?
• RQ5 다양한 태양 복사 에너지 조건에서 일반화 능력과 내성 측면에서 모델 간 성능은 어떻게 비교되는가?

주요 결과

• 랜덤 포레스트는 평가된 모든 모델 중에서 가장 높은 예측 정확도를 기록하며, XGBoost, LightGBM, CatBoost, MLP-ANNs를 모두 능가한다.
• MLP-ANNs는 학습 이전에 특성 선택을 적용할 경우 성능 향상이 뚜렷하게 나타나, 입력 품질이 출력에 큰 영향을 미친다는 점을 시사한다.
• 랜덤 포레스트, XGBoost, LightGBM, CatBoost와 같은 트리 기반 앙상블 모델은 내재된 특성 선택 기능 덕분에 뛰어난 성능을 보인다.
• 베이지안 최적화를 통해 모든 모델의 초모수를 효과적으로 조정하여 공정하고 신뢰할 수 있는 비교가 가능했다.
• 특성 선택이 MLP-ANNs에 적용될 경우 트리 기반 모델과의 성능 격차가 더욱 벌어지며, 이는 앙상블 방법의 내재된 특성 중요도 기능의 우수성을 강화한다.
• 연구는 사전 처리, 특히 특성 선택이 태양 복사 에너지 예측에서 신경망의 예측 능력을 극대화하는 데 핵심적이라는 점을 확인한다.