[論文レビュー] A Multi-Scheme Ensemble Using Coopetitive Soft-Gating With Application to Power Forecasting for Renewable Energy Generation

André Gensler, Bernhard Sick|arXiv (Cornell University)|Mar 16, 2018

Energy Load and Power Forecasting参考文献 44被引用数 5

ひとこと要約

本論文は、複数の電力予測モデルと気象予測モデルを、協働的・競争的ソフトゲーティング機構を用いて動的に統合する、新しいマルチスキームアンサンブル学習手法であるCoopetitive Soft-Gating Ensemble（CSGE）を提案する。この手法は、グローバルな特性、リードタイム依存性、天候状況依存性に基づくモデルの強みを適応的に活用し、ベースラインのアンサンブル手法と比較して、公開の再生可能エネルギーデータセットにおいて優れた予測精度を達成する。

ABSTRACT

In this article, we propose a novel ensemble technique with a multi-scheme weighting based on a technique called coopetitive soft gating. This technique combines both, ensemble member competition and cooperation, in order to maximize the overall forecasting accuracy of the ensemble. The proposed algorithm combines the ideas of multiple ensemble paradigms (power forecasting model ensemble, weather forecasting model ensemble, and lagged ensemble) in a hierarchical structure. The technique is designed to be used in a flexible manner on single and multiple weather forecasting models, and for a variety of lead times. We compare the technique to other power forecasting models and ensemble techniques with a flexible number of weather forecasting models, which can have the same, or varying forecasting horizons. It is shown that the model is able to outperform those models on a number of publicly available data sets. The article closes with a discussion of properties of the proposed model which are relevant in its application.

研究の動機と目的

• 多様な予測モデルと気象予測を統合することで、再生可能エネルギーの電力予測精度を向上させること。
• 従来のアンサンブル手法が単一の多様性原理（例：データ、パラメータ、構造の多様性）に依存するという限界を是正すること。
• 複数の予測ホライゾンと、異なる数の気象予測モデルおよび電力予測モデルをサポートできる柔軟で階層的なアンサンブルフレームワークを構築すること。
• グローバルな性能、リードタイムの影響、天候依存の精度を考慮した適応的モデル重み付けを可能にすること。
• 計算的に効率的で、リアルタイム応用への容易な拡張性を備えた、頑健な事後処理型アンサンブル手法を提供すること。

提案手法

• 本手法は、電力予測モデルアンサンブル、気象予測モデルアンサンブル、およびラグドアンサンブルの3つのパラダイムを統合する階層的アンサンブル構造を採用する。
• アンサンブルメンバー間の競争と協力をバランスさせる協働的・競争的ソフトゲーティング機構を用い、全体の予測性能を最適化する。
• 各電力予測モデルの重みは、対応する気象予測モデルの品質に基づき動的に決定され、最近傍探索または多次元線形補間による局所的品質評価が用いられる。
• アンサンブル学習は、個々のモデルの再訓練を伴わない重みベクトル η の最適化として定式化され、高速な評価と滑らかな最適化を可能にする。
• 正則化パラメータ ζ は、静的平均（高正則化）と純粋なゲーティング（低正則化）の間のトレードオフを制御し、過学習を防止する。
• 新たな観測値を用いたオンラインでの重み更新をサポートし、変化する状況に継続的に適応可能である。

実験結果

リサーチクエスチョン

• RQ1 電力予測モデル、気象予測モデル、およびラグド予測を統合するマルチスキームアンサンブルは、再生可能エネルギー予測において、標準的なアンサンブル手法を上回る性能を発揮できるか？
• RQ2 協働的・競争的ソフトゲーティングは、多様な予測モデル間で競争と協力を効果的にバランスさせ、精度を向上させることができるか？
• RQ3 提案手法は、異なるリードタイムや異なる数の気象予測モデル・電力予測モデルに対し、どの程度適応可能か？
• RQ4 CSGE手法の性能は、複数の公開データセットにおいて、静的平均法や純粋なゲーティング戦略と比較してどのように異なるか？
• RQ5 このアンサンブルフレームワークは、リアルタイム予測シナリオにおけるオンライン学習および不確実性推定をサポートできるか？

主な発見

• 提案されたCSGE手法は、複数の公開再生可能エネルギーデータセットにおいて、ベースラインのアンサンブル手法および個々の予測モデルを上回る性能を達成する。
• リードタイムおよび天候状況に応じて、異なる気象予測モデルおよび電力予測モデルの強みを適応的に活用することで、優れた予測精度を実現する。
• 柔軟で階層的な構造のおかげで、デイ・アヘッド予測やイントラディ予測を含む多様な予測ホライゾンにおいても、頑健な性能を示す。
• 正則化パラメータ ζ の使用により、安定した性能が確保され、過学習が防止されつつ、適切な場合には動的重み付けが可能になる。
• 事後処理型のアンサンブル学習により、高速な評価と滑らかな最適化が可能となり、効率的なパrameterチューニングおよびオンライン適応を支援する。
• 局所的品質評価の選択（例：最近傍法 vs. 多次元線形補間）に応じて、小規模および大規模なデータセットに対しても対応可能である。