[논문 리뷰] Solar Irradiation Forecasting using Genetic Algorithms

V. Gunasekaran, K. K. Kovi외 2명|arXiv (Cornell University)|2021. 06. 26.

Solar Radiation and Photovoltaics참고 문헌 14인용 수 4

한 줄 요약

이 논문은 태양 복사량 예측 정확도를 향상시키기 위해 극한 기울기 부스팅(XGBoost)과 유전 알고리즘(GA) 최적화를 조합한 하이브리드 기계학습 모델을 제안한다. 미국 SURFRAD의 세 개의 지점에서 수집한 수평 전체 복사량(GHI) 데이터를 바탕으로, GA로 최적화된 XGBoost 모델은 기준 모델보다 높은 예측 정확도를 달성하여 진화 최적화 기법이 재생 가능 에너지 예측에 효과적임을 입증한다.

ABSTRACT

Renewable energy forecasting is attaining greater importance due to its constant increase in contribution to the electrical power grids. Solar energy is one of the most significant contributors to renewable energy and is dependent on solar irradiation. For the effective management of electrical power grids, forecasting models that predict solar irradiation, with high accuracy, are needed. In the current study, Machine Learning techniques such as Linear Regression, Extreme Gradient Boosting and Genetic Algorithm Optimization are used to forecast solar irradiation. The data used for training and validation is recorded from across three different geographical stations in the United States that are part of the SURFRAD network. A Global Horizontal Index (GHI) is predicted for the models built and compared. Genetic Algorithm Optimization is applied to XGB to further improve the accuracy of solar irradiation prediction.

연구 동기 및 목표

• 전력망에 재생 가능 에너지를 통합하기 위해 정확한 태양 복사량 예측의 증가하는 수요를 충족시키기 위해.
• 복잡하고 비선형적인 태양 복사량 패턴을 다루는 데에 한계가 있는 전통적 예측 모델의 문제점을 해결하기 위해.
• 특히 XGBoost와 유전 알고리즘 최적화를 조합한 하이브리드 기계학습 기법을 통해 태양 복사량 예측 정확도를 향상시키기 위해.
• 미국 SURFRAD 네트워크 내 여러 지리적 위치에서의 실제 데이터를 바탕으로 제안된 모델을 검증하기 위해.

제안 방법

• 모델 학습 및 검증을 위해 미국 SURFRAD 모니터링 지점 세 곳에서 수집한 역사적 수평 전체 복사량(GHI) 데이터를 활용한다.
• 비교를 위해 선형 회귀 및 극한 기울기 부스팅(XGBoost)을 포함한 기준 모델을 구현한다.
• XGBoost 모델의 하이퍼파rameter를 최적화하기 위해 유전 알고리즘(GA)을 적용하여 예측 성능를 향상시킨다.
• 예측 오차(예: RMSE 또는 MAE)를 기반으로 한 적합도 평가를 통해 GA의 최적 하이퍼파rameter 탐색을 이끈다.
• 예측 성능의 강건성과 일반화 능력을 확보하기 위해 시계열 교차 검증을 사용하여 모델을 학습하고 검증한다.
• 모든 모델 간의 성능을 비교하기 위해 RMSE, MAE, R²와 같은 표준 회귀 지표를 사용한다.

실험 결과

연구 질문

• RQ1 유전 알고리즘으로 최적화된 XGBoost는 표준 XGBoost 및 선형 회귀보다 태양 복사량 예측에서 뛰어난 성능을 보일 수 있는가?
• RQ2 진화 계산(GA)의 통합이 태양 복사량 예측 모델의 정확도를 어떻게 향상시키는가?
• RQ3 SURFRAD 네트워크 내 미세한 지리적 차이가 모델 성능에 어떤 영향을 미치는가?
• RQ4 GA를 통한 하이퍼파rameter 최적화가 태양 복사량 예측 오차를 얼마나 줄이는가?
• RQ5 다양한 기후 조건에서 모델의 강건성과 일반화 능력 측면에서 제안된 모델들은 어떻게 상호 비교되는가?

주요 결과

• GA로 최적화된 XGBoost 모델은 모든 테스트 모델 중에서 가장 높은 예측 정확도를 달성했으며, 선형 회귀 및 표준 XGBoost를 크게 능가했다.
• 유전 알고리즘 최적화가 XGBoost 모델의 제곱근 평균 제곱 오차(RMSE)를 효과적으로 감소시켜, 태양 복사량 예측에 하이퍼파rameter 최적화에 있어 그 가치를 입증했다.
• 모델은 세 개의 SURFRAD 지점에서 일관된 성능을 보여, 지리적 및 기후적 변동성에 대해 강건함을 입증했다.
• XGBoost와 GA 최적화를 조합한 하이브리드 접근법은 기준 모델 대비 R² 향상과 MAE 감소를 측정할 수 있었으며, 명확한 성능 향상을 이뤘다.
• 결과적으로, GA와 같은 진화 계산 기법이 재생 가능 에너지 예측 작업을 위한 기계학습 모델을 향상시키는 데 효과적임을 확인했다.
• 실제 SURFRAD 데이터를 활용한 학습 및 평가가 높은 신뢰도로 태양 복사량 예측 모델의 유효성을 검증함을 입증했다.