[논문 리뷰] PV Power Forecasting Using Weighted Features for Enhanced Ensemble Method

Mohamed Massaoudi, Inès Chihi외 4명|arXiv (Cornell University)|2019. 10. 21.

Solar Radiation and Photovoltaics참고 문헌 32인용 수 4

한 줄 요약

이 논문은 광발전(PV) 발전 예측을 위한 가중치 부여된 특징 강화 배깅 앙상블 모델을 제안하며, 편향-분산 트레이드오프를 최적화하기 위해 특징 중요도 분석을 통합한다. 전문 지식과 통계 분석에서 유도된 특징 가중치 벡터를 적용함으로써 예측 정확도를 향상시켜 기준 모델 대비 RMSE를 5% 감소시킨다.

ABSTRACT

Solar power becomes one of the most promising renewable energy resources in recent years. However, the weather is continuously changing, and this causes a discontinuity of energy generation. PV Power forecasting is a suitable solution to handle sudden disjointedness on energy generation by providing fast dispatching to grid electricity. These methods present a key insight into matchmaking grid electricity and photovoltaic plants. Bootstrap aggregation Ensemble method(Bagging) is classified as one of the most useful machine learning models which are applicable to supervised learning regression tasks. Following this regard, this paper proposes a state-of-art method based on bagging and this method works perfectly for PV power forecasting. The latter had powerful capabilities of tracking the behavior of stochastic problems with good accuracy with the aid of feature importance information. This approach comes to optimize bias/variance using feature weighting vector. Thus, this paper is devoted to present various feature importance techniques for Photovoltaic forecasting parameters. This technique consists of improving the aforementioned ensemble model via contributing the knowledge expertise obtained from features analysis to be directly transformed into the Ensemble model. The proposed model is tested on PV power prediction. Therefore, the benchmarked technique shows an improvement in accuracy in terms of RMSE to 5%.

연구 동기 및 목표

• 기상 변화로 인한 간헐적인 태양광 에너지 발전 문제를 해결하기 위해.
• 기계학습 앙상블 방법을 사용하여 PV 발전 예측 정확도를 향상시키기 위해.
• 특징 중요도 지식을 직접 배깅 앙상블 모델에 통합하여 보다 우수한 일반화 성능을 확보하기 위해.
• 특징 가중치를 통한 예측 오차, 특히 RMSE를 줄이기 위해.
• 실제 PV 발전 데이터를 기반으로 제안된 방법을 검증하고 기준 모델과 비교하기 위해.

제안 방법

• 모델는 PV 발전 예측의 회귀 과제를 위해 기반으로 하는 부트스트랩 집합(배깅)을 사용한다.
• 특징 중요도는 통계적 분석과 영역 전문 지식 분석을 통해 정량화되어 특징 가중치 벡터를 생성한다.
• 가중치 벡터는 앙상블 모델에 통합되어 학습 중 더 정보가 풍부한 특징을 강조한다.
• 예측 가능성과 관련된 특징의 기여도를 조정함으로써 편향-분산 트레이드오프를 최적화한다.
• 기계학습의 강건성과 특징 분석에서 유도된 전문 지식을 조합하여 모델 성능을 향상시킨다.
• 최종 모델는 실 PV 발전 데이터 세트에서 주로 RMSE를 평가 지표로 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 어떻게 특징 중요도를 PV 발전 예측을 위한 앙상블 학습 모델에 체계적으로 통합할 수 있는가?
• RQ2 특징 가중치는 배깅 기반 PV 예측 모델의 정확도를 어느 정도 향상시키는가?
• RQ3 특징 선택에 도메인 지식을 통합하면 모델 일반화 능력 향상과 RMSE 감소에 기여하는가?
• RQ4 제안된 가중 앙상블 모델은 표준 배깅 및 기타 기준 모델과 비교해 어떻게 성능을 내는가?
• RQ5 다양한 특징 중요도 기법이 최종 예측 성능에 어떤 영향을 미치는가?

주요 결과

• 제안된 가중 특징 앙상블 모델은 기준 모델 대비 RMSE에서 5% 향상된 성능을 기록한다.
• 특징 중요도를 가중치 벡터를 통해 통합함으로써 모델의 분산이 크게 감소하고 예측 안정성이 향상된다.
• 기상 변화로 인한 확률적 태양광 발전 변화를 더 정확하게 추적할 수 있다.
• 특징 선택에 전문 지식을 통합함으로써 다양한 기상 조건에서의 일반화 능력 향상이 가능하다.
• 급격한 기상 변화로 인한 에너지 생성의 비연속성 문제를 효과적으로 다룰 수 있다.
• 결과는 특징 가중치가 배깅 기반의 회귀 과제에서 PV 발전 예측에 있어 효과성을 높인다는 것을 확인한다.