[논문 리뷰] Hydroelectric Generation Forecasting with Long Short Term Memory (LSTM) Based Deep Learning Model for Turkey

Mehmet Bulut|arXiv (Cornell University)|2021. 09. 18.

Energy Load and Power Forecasting참고 문헌 18인용 수 4

한 줄 요약

이 연구는 터키의 월간 수력발전량을 예측하기 위해 장기 기억망(LSTM) 기반의 딥러닝 모델을 제안한다. 10~12년에 걸친 역사적 생산 데이터를 사용하여, 100층의 LSTM 모델은 연간 평균 절대백분율오차(MAPE)가 0.1311(13.1%)이며 월간 평균는 1.09%로 나타나, 최소 120개월의 데이터로 훈련된 경우 장기 수력발전 예측에서 높은 정확도를 보였다.

ABSTRACT

Hydroelectricity is one of the renewable energy source, has been used for many years in Turkey. The production of hydraulic power plants based on water reservoirs varies based on different parameters. For this reason, the estimation of hydraulic production gains importance in terms of the planning of electricity generation. In this article, the estimation of Turkey's monthly hydroelectricity production has been made with the long-short-term memory (LSTM) network-based deep learning model. The designed deep learning model is based on hydraulic production time series and future production planning for many years. By using real production data and different LSTM deep learning models, their performance on the monthly forecast of hydraulic electricity generation of the next year has been examined. The obtained results showed that the use of time series based on real production data for many years and deep learning model together is successful in long-term prediction. In the study, it is seen that the 100-layer LSTM model, in which 120 months (10 years) hydroelectric generation time data are used according to the RMSE and MAPE values, are the highest model in terms of estimation accuracy, with a MAPE value of 0.1311 (13.1%) in the annual total and 1.09% as the monthly average distribution. In this model, the best results were obtained for the 100-layer LSTM model, in which the time data of 144 months (12 years) hydroelectric generation data are used, with a RMSE value of 29,689 annually and 2474.08 in monthly distribution. According to the results of the study, time data covering at least 120 months of production is recommended to create an acceptable hydropower forecasting model with LSTM.

연구 동기 및 목표

• 터키의 수력발전량에 대한 정확한 장기 예측을 위한 딥러닝 모델을 개발한다.
• 다양한 길이의 역사적 수력발전 생산 데이터를 사용한 다양한 LSTM 아키텍처의 성능을 평가한다.
• 연간 및 월간 예측에서 예측 오차를 최소화하기 위한 최적의 모델 깊이와 입력 시퀀스 길이를 규명한다.
• RMSE 및 MAPE와 같은 모델 성능 지표를 바탕으로 수력발전 계획을 위한 데이터 기반 권고안을 제공한다.

제안 방법

• 연구는 수력발전량 시계열 데이터의 시간적 의존성을 모델링하기 위해 장기 기억망(LSTM) 순환 신경망을 활용한다.
• 최대 12년(144개월)에 걸친 터키의 역사적 월간 수력발전 생산 데이터가 입력 특징으로 사용된다.
• 깊이(예: 100층)와 시퀀스 길이(120~144개월)가 다른 여러 LSTM 모델을 훈련하고 비교한다.
• 모델 성능은 연간 및 월간 예측에 대해 제곱근 평균제곱오차(RMSE)와 평균절대백분율오차(MAPE)를 사용해 평가된다.
• 시험 기간 동안 가장 낮은 RMSE와 MAPE를 기록한 모델이 최고 성능 모델로 선정된다.
• 하이퍼파rameter 튜닝은 장기 예측 정확도를 최적화하기 위해 시퀀스 길이와 네트워크 깊이에 집중된다.

실험 결과

연구 질문

• RQ1 터키에서 LSTM 모델을 사용한 정확한 장기 예측을 위해 최적의 역사적 수력발전 생산 데이터 시퀀스 길이는 얼마인가?
• RQ2 LSTM 네트워크의 깊이가 월간 및 연간 수력발전 예측 정확도에 미치는 영향은 어떠한가?
• RQ3 실제 생산 데이터 기반의 딥러닝 모델이 터키의 수력발전량에 대해 신뢰할 수 있는 장기 예측을 달성할 수 있는가?
• RQ4 고정확도의 LSTM 기반 수력발전 예측 모델을 구축하기 위한 최소 데이터 요구량(개월 수)은 얼마인가?

주요 결과

• 144개월(12년)의 역사적 데이터로 훈련된 100층 LSTM 모델은 연간 예측에서 최저 RMSE 29,689를 기록했으며, 월간 예측에서는 2,474.08을 기록했다.
• 동일한 모델은 연간 총 발전량에 대해 MAPE 0.1311(13.1%)이며 월간 평균 분포에 대해선 1.09%를 기록하여 높은 예측 정확도를 입증했다.
• 최소 120개월(10년)의 역사적 데이터를 사용할 경우 성능 향상이著명하며, 144개월을 초과하면 성능 향상의 효과가 점점 감소한다.
• 100층 아키텍처는 RMSE 및 MAPE 지표에서 얕은 모델보다 뛰어난 성능을 보였으며, 장기 시간적 모델링에 깊은 네트워크의 이점이 있음을 시사한다.
• 연구는 장기 역사적 시퀀스로 훈련된 LSTM 모델이 수력발전의 계절적 및 장기적 추세를 효과적으로 포착할 수 있음을 확인했다.
• 결과적으로, 데이터가 풍부한 지역인 터키와 같은 지역에서는 LSTM 기반 딥러닝을 활용한 신뢰할 수 있는 장기 수력발전 계획이 가능하다.