[논문 리뷰] Solar radiation forecasting using ad-hoc time series preprocessing and neural networks

Christophe Paoli, Cyril Voyant외 2명|ArXiv.org|2009. 06. 01.

Solar Radiation and Photovoltaics참고 문헌 9인용 수 6

한 줄 요약

이 논문은 수평 표면의 일일 총일광 복사량을 예측하기 위해 임시 시간 시리즈 전처리 및 다층 퍼셉트론(MLP) 신경망을 사용하는 새로운 일광 복사량 예측 방법을 제안한다. 이 방법은 nRMSE < 21% 및 RMSE < 998 Wh/m²를 달성하여 ARIMA, 베이지안 추론, 마르코프 체인, k-NN 근사기법과 같은 기존 방법들을 능가하며, 전처리 과정이 예측 오차를 크게 감소시켜 성능을 향상시킨다.

ABSTRACT

In this paper, we present an application of neural networks in the renewable energy domain. We have developed a methodology for the daily prediction of global solar radiation on a horizontal surface. We use an ad-hoc time series preprocessing and a Multi-Layer Perceptron (MLP) in order to predict solar radiation at daily horizon. First results are promising with nRMSE &lt; 21% and RMSE &lt; 998 Wh/m2. Our optimized MLP presents prediction similar to or even better than conventional methods such as ARIMA techniques, Bayesian inference, Markov chains and k-Nearest-Neighbors approximators. Moreover we found that our data preprocessing approach can reduce significantly forecasting errors.

연구 동기 및 목표

• 기계 학습을 활용하여 수평 표면의 일일 총일광 복사량 예측을 위한 강력한 방법론을 개발하는 것.
• 일광 복사량 데이터에 특화된 맞춤형 시간 시리즈 전처리 전략을 설계하여 예측 정확도를 향상시키는 것.
• 기존의 통계적 및 확률적 예측 기법과 비교하여 다층 퍼셉트론(MLP)의 성능을 평가하는 것.
• 전처리 과정이 일광 복사량 예측 오차를 크게 감소시킬 수 있음을 입증하는 것.
• 기존 모델보다 더 우수한 일반화 능력과 적응성을 보이는 데이터 기반의 대안을 제공하는 것.

제안 방법

• 기존의 총일광 복사량 시간 시리즈 데이터에 임시 시간 시리즈 전처리 파이프라인을 적용하여 시간 패턴을 향상시키고 노이즈를 감소시킨다.
• 전처리된 데이터를 사용해 일일 예측을 위한 다층 퍼셉트론(MLP) 신경망에 입력한다.
• 일반화 능력과 예측 정확도를 향상시키기 위해 하이퍼파rameter 튜닝을 통해 MLP 아키텍처를 최적화한다.
• 실제 일광 복사량 측정 데이터를 사용해 정해진 기간 동안 모델을 훈련하고 검증한다.
• 표준 평가 지표인 정규화된 제곱근 평균 제곱오차(nRMSE) 및 제곱근 평균 제곱오차(RMSE)를 사용해 성능을 평가한다.
• ARIMA, 베이지안 추론, 마르코프 체인, k-최근접 이웃(k-NN) 방법과의 비교를 통해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 표준 방법과 비교해 복사량 데이터에 특화된 맞춤형 시간 시리즈 전처리 전략이 일광 복사량 예측 정확도를 향상시킬 수 있는가?
• RQ2 MLP 기반 신경망은 ARIMA 및 k-NN와 같은 기존의 통계 모델과 비교해 일일 일광 복사량 예측에서 어떻게 성능을 발휘하는가?
• RQ3 전처리 과정이 일광 복사량 시간 시리즈의 예측 오차를 어느 정도 감소시키는가?
• RQ4 제안된 MLP 모델은 기존의 기준 기법들보다 낮은 nRMSE 및 RMSE를 달성할 수 있는가?
• RQ5 맞춤형 전처리와 신경망의 조합이 더 강력하고 정확한 일광 복사량 예측을 가능하게 하는가?

주요 결과

• 제안된 방법은 nRMSE가 21% 이하로 유지되어 일일 일광 복사량 예측의 높은 정확도를 보여준다.
• 최적화된 MLP 모델의 RMSE는 998 Wh/m² 이하로 떨어져 절대 오차 측면에서 높은 정밀도를 입증한다.
• MLP 모델은 ARIMA, 베이지안 추론, 마르코프 체인, k-NN 근사기법과 같은 기존 방법들보다 우수하거나 동등한 성능을 보인다.
• 임시 전처리 단계가 예측 오차를 크게 감소시켜 모델 성능에서 핵심적인 역할을 한다는 점이 확인되었다.
• 결과적으로 맞춤형 데이터 전처리가 신경망의 일광 복사량 예측 효과성을 향상시킨다는 점이 입증되었다.
• 신경망에 맞춤형 전처리를 적용한 모델이 전통적인 통계 모델에 비해 실용적이고 높은 성능을 발휘할 수 있음을 확인하였다.