[논문 리뷰] Transfer Learning in the Field of Renewable Energies -- A Transfer Learning Framework Providing Power Forecasts Throughout the Lifecycle of Wind Farms After Initial Connection to the Electrical Grid

Jens Schreiber|arXiv (Cornell University)|2019. 06. 03.

Domain Adaptation and Few-Shot Learning참고 문헌 15인용 수 5

한 줄 요약

이 논문은 유사한 풍력발전소와 기상 모델의 지식을 활용하여 역사적 데이터가 부족하거나 없더라도 풍력발전소의 전 생애주기 동안 정확한 예측을 가능하게 하는 전이학습 프레임워크를 제안한다. 이 방법은 앙상블 모델, 다중작업 학습, 자가 최적화 메커니즘을 사용하여 예측을 동적으로 적응시키며, 기존의 물리 모델을 능가하고 재생 가능 에너지 시스템에서 자동화되고 확장 가능한 구현을 가능하게 한다.

ABSTRACT

In recent years, transfer learning gained particular interest in the field of vision and natural language processing. In the research field of vision, e.g., deep neural networks and transfer learning techniques achieve almost perfect classification scores within minutes. Nonetheless, these techniques are not yet widely applied in other domains. Therefore, this article identifies critical challenges and shows potential solutions for power forecasts in the field of renewable energies. It proposes a framework utilizing transfer learning techniques in wind power forecasts with limited or no historical data. On the one hand, this allows evaluating the applicability of transfer learning in the field of renewable energy. On the other hand, by developing automatic procedures, we assure that the proposed methods provide a framework that applies to domains in organic computing as well.

연구 동기 및 목표

• 신규 또는 수정된 풍력발전소에서 전력 생산 역사 데이터가 부족하거나 존재하지 않아 효과적인 기계학습 기반 예측이 어려운 문제를 해결하기 위해.
• 풍력발전소의 전 생애주기 동안 적용 가능한 자동화되고 자가 최적화되는 전이학습 프레임워크를 개발하기 위해.
• 야간 터빈 정지 또는 수치 기상 예측 모델의 변화와 같은 새로운 조건에 지속적으로 적응할 수 있도록 하기 위해.
• 비전 및 자연어 처리를 넘어서 유기 컴퓨팅 및 에너지 시스템으로 전이학습을 확장하기 위해 재사용 가능하고 적응 가능한 프레임워크를 구축하기 위해.
• 유사한 풍력발전소와 기상 데이터 소스로부터의 지식을 활용하여 전통적인 물리 모델보다 정확도를 높이기 위해.

제안 방법

• 다양한 풍력발전소의 예측을 조합하여 일반화 및 적응 능력을 향상시키는 크로스 소스 일반화 앙상블(CSGE) 모델을 활용한다.
• 공간 추상화 레이어를 갖춘 다중 크로스 작업 학습(MCL)을 적용하여 수치 기상 예측(NWP) 입력과 풍력발전소 간의 공간적 관계를 포괄적인 표현으로 학습한다.
• 새로운 데이터로 모델을 미세 조정함으로써 전이학습을 적용하여 야간 정지나 새로운 기상 모델과 같은 새로운 상황에 시스템이 적응할 수 있도록 한다.
• 확률적 예측 분석과 민감도 분석을 통합하여 모델 입력에 가장 영향을 미치는 특징(예: 100m 고도의 바람 속도 및 10m 고도의 바람 속도)을 사전에 선별한다.
• 성능과 데이터 가용성에 기반하여 모델의 재가중을 자동으로 수행하고 지속적인 최적화를 가능하게 하기 위해 자동 설정 및 자가 향상 절차를 활용한다.
• 손실 함수 최적화를 통해 동적 재구성과 새로운 데이터 및 조건에 대한 적응이 가능하며, 전체 재학습 없이도 작동하는 CSGE를 적용한다.

실험 결과

연구 질문

• RQ1 역사적 소스 도메인 데이터와 예측 모델은 어떻게 제한된 역사적 데이터를 가진 새로운 풍력발전소로 효과적으로 전이될 수 있는가?
• RQ2 풍력발전 예측에서 전이에 가장 적합한 역사적 소스 도메인 데이터와 예측 모델의 유형은 무엇인가?
• RQ3 새로운 풍력발전소의 시간이 지남에 따라 증가하는 역사적 데이터를 모델에 자동으로 통합하는 방법은 무엇인가?
• RQ4 새로운 데이터와 조건(예: 야간 정지)이 발생할 때 시스템은 어떻게 자가 설정 및 자가 최적화할 수 있는가?
• RQ5 공간적 및 NWP 추상화 레이어를 갖춘 다중작업 학습은 다양한 풍력발전소와 기상 모델 간에 강건하고 일반화 가능한 예측을 가능하게 하는가?

주요 결과

• 모든 평가된 지형과 기계학습 모델에서 100m 고도의 바람 속도가 전력 예측에 가장 영향을 미치는 특징이다.
• 10m 고도의 바람 속도가 두 번째로 영향력이 크며, 100m 고도에서의 바람 속도 변동성과 기압 역시 상당한 영향을 미친다.
• CSGE 접근법은 실제 데이터셋에서 표준 앙상블 방법보다 우수한 성능을 보이며, 분류 및 회귀 작업 모두에서 최첨단 성능을 달성한다.
• 앙상블 모델의 재학습 및 미세 조정을 통해 시스템은 야간 터빈 정지와 같은 새로운 조건에 자동으로 적응할 수 있다.
• 공간적 및 NWP 추상화 레이어를 갖춘 다중 크로스 작업 학습은 다양한 기상 모델과 풍력발전소 위치 간에 지식을 전이할 수 있도록 한다.
• 초기 결과는 전이학습 기반 예측이 최소한의 데이터로도 전통적인 물리 모델보다 예측 정확도에서 뚜렷이 뛰어나다는 것을 확인한다.