[논문 리뷰] Spatial-temporal wind field prediction by Artificial Neural Networks

Jianan Cao, David Farnham외 1명|arXiv (Cornell University)|2017. 12. 13.

Energy Load and Power Forecasting참고 문헌 13인용 수 5

한 줄 요약

이 논문은 대규모 지역(~3.15×10⁶ km²)에서 6시간 및 24시간 후의 공간-시간 바람 풍속 필드를 예측하기 위해 합성곱, LSTM, 역합성곱 합성곱 층을 조합한 딥러닝 모델을 제안한다. 이 모델은 지속성, 평균값, ARIMA 기반 모델보다 훨씬 뛰어난 성능을 보이며, 전체 바람 풍속 필드를 예측함으로써 전력계통 통합 및 계획 수립에 뛰어난 정확도를 제공한다.

ABSTRACT

The prediction of near surface wind speed is becoming increasingly vital for the operation of electrical energy grids as the capacity of installed wind power grows. The majority of predictive wind speed modeling has focused on point-based time-series forecasting. Effectively balancing demand and supply in the presence of distributed wind turbine electricity generation, however, requires the prediction of wind fields in space and time. Additionally, predictions of full wind fields are particularly useful for future power planning such as the optimization of electricity power supply systems. In this paper, we propose a composite artificial neural network (ANN) model to predict the 6-hour and 24-hour ahead average wind speed over a large area (~3.15*106 km2). The ANN model consists of a convolutional input layer, a Long Short-Term Memory (LSTM) hidden layer, and a transposed convolutional layer as the output layer. We compare the ANN model with two non-parametric models, a null persistence model and a mean value model, and find that the ANN model has substantially smaller error than each of these models. Additionally, the ANN model also generally performs better than integrated autoregressive moving average models, which are trained for optimal performance in specific locations.

연구 동기 및 목표

• 증가하는 풍력 발전 용량에 대응하여 전력계통 운영을 지원하기 위해 정확한 공간-시간 바람 풍속 예측이 점점 더 필요해지는 문제를 해결하기 위해.
• 점 기반 시계열 예측을 넘어서 대규모 지리적 지역 전역의 전체 필드 바람 풍속 예측으로의 전환을 위해.
• 바람 풍속 필드 내 복잡한 시공간 상관관계를 포착할 수 있는 딥러닝 모델을 개발하기 위해.
• 실제 예측 시나리오에서 비모수적 및 통계 기반 기반 모델과의 성능 비교를 위해.

제안 방법

• 모델은 역사적 바람 풍속 데이터에서 공간적 특징을 추출하기 위해 합성곱 신경망(CNN)을 입력층으로 사용한다.
• LSTM 층은 바람 풍속 변화의 장기적 의존성을 모델링하기 위해 시간적 시퀀스를 처리한다.
• 역합성곱 합성곱 층은 잠재 표현을 디코딩하여 출력층에서 전체 공간 바람 풍속 예측 필드를 생성한다.
• 모델은 대규모 영역(~3.15×10⁶ km²)의 역사적 바람 풍속 데이터를 기반으로 엔드 투 엔드로 훈련되어, 6시간 및 24시간 평균 예측을 수행한다.
• 아키텍처는 공간 해상도를 유지하고 동시에 국지적 및 전역적 바람 패턴을 포착하도록 설계되어 있다.
• 모델 성능은 지속성, 평균값, ARIMA 기반 모델과의 비교를 위해 표준 오차 지표를 사용하여 평가된다.

실험 결과

연구 질문

• RQ1 고정밀도로 대규모 지리적 지역에서 공간-시간 바람 풍속 필드를 효과적으로 예측할 수 있는 딥러닝 모델이 존재하는가?
• RQ2 제안된 CNN-LSTM-Deconv 모델은 전통적인 비모수적 및 통계 기반 모델과 비교해 바람 풍속 필드 예측에서 어떤 성능을 보이는가?
• RQ3 모델은 점 예측을 넘어서 바람 풍속 데이터의 복잡한 시공간 상관관계를 어느 정도 잘 포착할 수 있는가?
• RQ4 모델은 연구 영역 내 다양한 지리적 위치에 대해 잘 일반화되는가?

주요 결과

• 제안된 신경망 모델은 지속성 모델 및 평균값 모델보다 상당히 낮은 예측 오차를 기록한다.
• 모델은 연구 영역 내 대부분의 위치에서 최적화된 ARIMA 모델보다 뛰어난 성능을 보인다.
• 모델은 대규모 지역(~3.15×10⁶ km²)에서 바람 풍속 필드의 공간 패턴과 시간적 역학을 성공적으로 포착한다.
• LSTM의 사용 덕분에 바람 풍속 시퀀스의 장기적 시간 의존성이 효과적으로 모델링된다.
• 역합성곱 합성곱 층은 고해상도 공간 출력을 가능하게 하여 바람 풍속 필드의 공간 구조를 유지한다.
• 모델은 다양한 지리적 지역에 걸쳐 강력한 일반화 능력을 보이며, 전력계통 계획 수립에의 활용 가능성을 뒷받침한다.