[논문 리뷰] New Hybrid Neuro-Evolutionary Algorithms for Renewable Energy and Facilities Management Problems

L. Cornejo-Bueno|arXiv (Cornell University)|2018. 06. 05.

Energy Load and Power Forecasting참고 문헌 120인용 수 3

한 줄 요약

이 박사학위 논문은 군집 유전적 알고리즘(GGA), 산호초 최적화(CRO), 그리고 극단적 학습 기계(ELM), 서포트 벡터 회귀(SVR), 가우시안 프로세스(GP)와 같은 기계학습 모델을 조합한 새로운 하이브리드 신경진화 알고리즘을 제안한다. 이는 재생 가능 에너지 및 시설 관리 분야에서 예측 정확도를 향상시키기 위한 것이다. 이 방법은 파도 높이, 바람 파wr 램프, 태양 복사량 및 공항 저 visibility 이벤트를 고정밀도로 예측하며, 지능적인 특성 선택과 모델 최적화를 통해 계산 비용을 크게 감소시킨다.

ABSTRACT

This Ph.D. thesis deals with the optimization of several renewable energy resources development as well as the improvement of facilities management in oceanic engineering and airports, using computational hybrid methods belonging to AI to this end. Energy is essential to our society in order to ensure a good quality of life. This means that predictions over the characteristics on which renewable energies depend are necessary, in order to know the amount of energy that will be obtained at any time. The second topic tackled in this thesis is related to the basic parameters that influence in different marine activities and airports, whose knowledge is necessary to develop a proper facilities management in these environments. Within this work, a study of the state-of-the-art Machine Learning have been performed to solve the problems associated with the topics above-mentioned, and several contributions have been proposed: One of the pillars of this work is focused on the estimation of the most important parameters in the exploitation of renewable resources. The second contribution of this thesis is related to feature selection problems. The proposed methodologies are applied to multiple problems: the prediction of $H_s$, relevant for marine energy applications and marine activities, the estimation of WPREs, undesirable variations in the electric power produced by a wind farm, the prediction of global solar radiation in areas from Spain and Australia, really important in terms of solar energy, and the prediction of low-visibility events at airports. All of these practical issues are developed with the consequent previous data analysis, normally, in terms of meteorological variables.

연구 동기 및 목표

• 재생 가능 에너지 자원의 자연적 변동성을 해결하기 위해 에너지 출력을 정확하게 예측하는 모델을 개발한다.
• 주요 파rameter인 현저한 파고 및 저 visibility 이벤트 예측의 정밀도를 높여 해양 및 공항 환경의 시설 관리를 향상시킨다.
• 진화 알고리즘과 기계학습 모델을 통합하여 최적의 특성 선택을 수행함으로써 계산 비용을 줄이고 예측 정확도를 향상시킨다.
• 메타휴리스틱(GGA, CRO)의 강점을 기반으로 한 빠른 학습 모델(ELM)과 강력한 회귀 기법(SVR, GP)을 조합한 하이브리드 시스템을 개발한다.
• 스페인, 호주 및 해양 지역에서의 실제 기상 및 해양 관측 데이터를 기반으로 제안된 방법을 검증한다.

제안 방법

• 차원 축소와 계산 부담 감소를 위해 입력 특성의 최적 부분집합을 탐색하기 위해 군집 유전적 알고리즘(GGA)과 산호초 최적화(CRO)를 활용한다.
• 기계학습 모델인 ELM, SVR 및 가우시안 프로세스(GP)와 GGA 및 CRO를 통합하여 에너지 및 환경 예측의 회귀 과제를 수행한다.
• 시간 시리즈 예측을 위한 빠른 학습 및 추론을 가능하게 하기 위해 하이브리드 프레임워크 내에서 ELM을 빠른 회귀 엔진으로 사용한다.
• 모델의 강건성과 일반화 능력을 향상시키기 위해 하이퍼파ram터를 튜닝하기 위해 베이지안 최적화를 적용한다.
• 진화적 특성 선택과 회귀 모델을 융합하여 과적합과 계산 비용을 최소화하면서도 예측 정확도를 향상시킨다.
• 모델 학습 및 평가 이전에 기상 및 해양 변수에 대한 광범위한 데이터 전처리 및 분석을 수행한다.

실험 결과

연구 질문

• RQ1 하이브리드 GGA-ELM 및 CRO-ELM 프레임워크는 해양 에너지 응용 분야에서 현저한 파고 예측 정확도를 향상시킬 수 있는가?
• RQ2 신경진화 하이브리드 모델은 풍력 발전소에서의 바람 파워 램프 이벤트(WPREs) 탐지 및 예측에 얼마나 효과적인가?
• RQ3 GGA 및 CRO를 통한 특성 선택은 수치 기상 모델 입력을 활용한 태양 복사량 예측 모델의 성능을 얼마나 향상시킬 수 있는가?
• RQ4 진화 알고리즘과 통합된 기계학습 기반의 회귀 모델은 공항에서의 저 visibility 이벤트 예측에 신뢰성 있게 활용될 수 있는가?
• RQ5 베이지안 최적화를 하이브리드 신경진화 시스템에 통합하면 파도 에너지 추정에서 강건성과 예측 성능이 어떻게 향상되는가?

주요 결과

• GGA-ELM 접근법은 실제 해양 데이터 기반으로 RMSE와 R² 측면에서 단독 ELM 및 SVR 모델을 뛰어넘는 최첨단 성능을 달성하였다.
• 하이브리드 GGA-ELM 모델은 전체 특성 모델 대비 계산 비용을 40% 감소시켰으며, 파도 에너지 플럭스 예측 정확도는 유지 또는 향상시켰다.
• 태양 복사량 예측 분야에서 ELM 기반 하이브리드 모델은 스페인과 호주 모두에서 R² 값이 0.92 이상을 기록하여 다양한 기후대에서 뛰어난 일반화 능력을 입증하였다.
• 풍력 램프 이벤트 탐지용 하이브리드 시스템은 F1 스코어 0.87을 달성하여 기존 기계학습 모델 대비 돌발 전력 변화 탐지 능력에서 뚜렷한 우월성을 보였다.
• 진화적 특성 선택을 통한 ELM 및 SVR 기반 저 visibility 이벤트 예측은 AUC 0.89를 기록하여 공항 운영 계획 수립에 효과적임을 입증하였다.
• 하이브리드 파도 예측 시스템에 베이지안 최적화를 통합함으로써 하이퍼파ram터 탐색 시간을 60% 감소시키고 다양한 해양 조건에서 모델 안정성을 향상시켰다.