[논문 리뷰] Weather Analogs with a Machine Learning Similarity Metric for Renewable Resource Forecasting

Weiming Hu, Guido Cervone외 2명|arXiv (Cornell University)|2021. 03. 07.

Meteorological Phenomena and Simulations인용 수 4

한 줄 요약

이 논문은 기존의 가중 유사도 거리 대신 신경망으로 학습된 유사도 측도를 사용하는 기계학습 기반의 유사도 측도를 제안한다. 이는 기존의 전처리 또는 가중치 최적화가 필요 없는 기상 변수 전부를 활용할 수 있도록 하여, 풍속 및 일조량 예측에서 기존 AnEn보다 우수한 성능을 보이며, 큰 오차를 보다 효과적으로 교정하고 더 큰 역사적 자료를 활용함으로써 공간 예측 정확도를 향상시키고 모델 업데이트에 대해 더 강건한 성능을 발휘한다.

ABSTRACT

The Analog Ensemble (AnEn) technique has been shown effective on several weather problems. Unlike previous weather analogs that are sought within a large spatial domain and an extended temporal window, AnEn strictly confines space and time, and independently generates results at each grid point within a short time window. AnEn can find similar forecasts that lead to accurate and calibrated ensemble forecasts. The central core of the AnEn technique is a similarity metric that sorts historical forecasts with respect to a new target prediction. A commonly used metric is Euclidean distance. However, a significant difficulty using this metric is the definition of the weights for all the parameters. Generally, feature selection and extensive weight search are needed. This paper proposes a novel definition of weather analogs through a Machine Learning (ML) based similarity metric. The similarity metric uses neural networks that are trained and instantiated to search for weather analogs. This new metric allows incorporating all variables without requiring a prior feature selection and weight optimization. Experiments are presented on the application of this new metric to forecast wind speed and solar irradiance. Results show that the ML metric generally outperforms the original metric. The ML metric has a better capability to correct for larger errors and to take advantage of a larger search repository. Spatial predictions using a learned metric also show the ability to define effective latent features that are transferable to other locations.

연구 동기 및 목표

• 수동적 특징 선택과 계산 비용이 큰 가중치 최적화를 요구하는 기존 AnEn 유사도 측도의 한계를 해결하기 위해.
• 바람 속도 및 일조량과 같은 재생 에너지 자원의 예측 정확도와 校정 정확도를 향상시키기 위해.
• 모델 업데이트나 제한된 역사적 자료 상황에서도 유사 기반 예측의 강건성을 향상시키기 위해.
• 격자 기반 예측을 효과적으로 수행하기 위해 서로 다른 격자 점들 간에 전이 가능한 잠재 특징을 학습하기 위해.
• 현대적인 기계학습 아키텍처를 활용하여 더 민첩하고 정확한 기상 유사 예측을 가능하게 하기 위해.

제안 방법

• 삼중체 신경망 아키텍처를 사용하여 대비 손실을 통해 유사한 기상 예측을 그룹화할 수 있도록, 변환된 잠재 공간에서의 유사도 측도를 학습한다.
• 모델 예측 오차를 역방향으로 역사적 유사 예측과 연결하는 역유사 기법을 사용하여, 예측 가능한 특징을 유도하는 학습을 유도한다.
• 원시 NWP 예측 변수를 낮은 차원의 잠재 공간으로 변환하기 위해 사전 학습된 임bedding 네트워크(LSTM 기반)를 사용한다.
• 유사도 측도를 잠재 공간에서 재정의함으로써, 수동적인 가중치 부여 없이 모든 기상 변수를 전부 활용할 수 있다.
• 모델의 변화에 강건성을 확보하기 위해, 대규모 역사적 NWP 예측 및 관측 자료를 사용하여 모델을 학습한다.
• 공간 예측은 각 격자 점에서 독립적으로 학습된 측도를 적용하여 생성되며, 이는 확장 가능하고 고해상도 예측을 가능하게 한다.

실험 결과

연구 질문

• RQ1 기계학습 기반의 유사도 측도가 재생 에너지 예측을 위한 기존 AnEn의 가중 유사도 거리 측도를 뛰어넘을 수 있는가?
• RQ2 기존 AnEn에 비해 기계학습 측도는 큰 예측 오차를 얼마나 효과적으로 교정하는가?
• RQ3 학습된 측도는 공간적으로 얼마나 일반화되어 있으며, 격자 기반 예측을 얼마나 향상시키는가?
• RQ4 기계학습 기반 접근법은 NWP 모델 업데이트에 민감도를 낮추고 모델 파rameter 변화에 더 잘 견딜 수 있는가?
• RQ5 신경망이 학습한 잠재 특징은 더 나은 유사 예측 선택을 위해 물리적으로 의미 있는 기상 패턴을 어떻게 포착하는가?

주요 결과

• 기계학습 기반의 유사도 측도는 바람 속도 및 일조량 예측에서 기존 AnEn 측도를 뚜렷이 뛰어넘는 성능을 보였다.
• 기계학습 측도는 더 넓은 기상 변수 집합을 활용할 수 있는 능력 덕분에 특히 큰 예측 오차의 교정 능력이 뛰어나다.
• 학습된 측도를 사용한 공간 예측은 최적의 기존 AnEn에 비해 더 높은 정확도와 더 나은 캘리브레이션을 보였다.
• 이 방법은 NWP 모델 업데이트에 더 강건하며, 기존 AnEn가 모델 변화 시 성능이 저하되는 것과 달리 더 긴 역사적 자료 기간 동안 성능을 유지한다.
• 신경망이 학습한 잠재 특징는 다양한 위치 간에 전이 가능하며 재생 에너지 예측에 관련된 기상 제도를 효과적으로 표현한다.
• 삼중체 네트워크와 대비 손실을 사용할 경우, 자동에코더보다 더 일관되고 물리적으로 의미 있는 클러스터를 잠재 공간에 형성하여 더 고품질의 앙상블 예측을 이끌어낸다.