[论文解读] A Novel Approach Based Deep RNN Using Hybrid NARX-LSTM Model For Solar Power Forecasting

Mohamed Massaoudi, Inès Chihi+4 more|arXiv (Cornell University)|Oct 21, 2019

Energy Load and Power Forecasting参考文献 36被引用 15

一句话总结

本文提出了一种通过EVOLINO框架增强的混合NARX-LSTM深度循环神经网络模型，以提升长期太阳能发电预测的准确性。通过将非线性自回归外生（NARX）建模与长短期记忆（LSTM）网络相结合，该方法缓解了梯度消失问题，并在澳大利亚为期一年的光伏功率输出预测中实现了更高的预测精度，优于基准模型。

ABSTRACT

The high variability of weather parameters is making photovoltaic energy generation intermittent and narrowly controllable. Threatened by the sudden discontinuity between the load and the grid, energy management for smart grid systems highly require an accurate PV power forecasting model. In this regard, Nonlinear autoregressive exogenous (NARX) is one of the few potential models that handle time series analysis for long-horizon prediction. This later is efficient and high-performing. However, this model often suffers from the vanishing gradient problem which limits its performances. Thus, this paper discus NARX algorithm for long-range dependencies. However, despite its capabilities, it has been detected that this model has some issues coming especially from the vanishing gradient. For the aim of covering these weaknesses, this study suggests a hybrid technique combining long short-term memory (LSTM) with NARX networks under the umbrella of Evolution of recurrent systems with optimal linear output (EVOLINO). For the sake of illustration, this new approach is applied to PV power forecasting for one year in Australia. The proposed model enhances accuracy. This made the proposed algorithm outperform various benchmarked models.

研究动机与目标

• 为解决由于天气变化和系统间歇性导致的长期太阳能发电预测不准确问题。
• 克服传统NARX模型固有的梯度消失问题，该问题限制了其在捕捉长程依赖关系方面的能力。
• 开发一种结合NARX和LSTM架构的混合深度循环神经网络模型，以提升预测精度。
• 利用澳大利亚为期一年的真实太阳能发电数据，验证所提模型的有效性。

提出的方法

• 所提出的模型将非线性自回归外生（NARX）网络与长短期记忆（LSTM）网络相结合，以充分发挥两种架构的优势。
• 使用EVOLINO框架对混合NARX-LSTM模型进行优化，该框架增强了循环网络的演化能力并提高了训练稳定性。
• 模型使用天气参数（如辐照度、温度）等外生变量作为输入，以预测未来的太阳能发电输出。
• 训练过程采用时间反向传播并结合自适应优化方法，以缓解长序列学习过程中的梯度消失问题。
• 该模型旨在处理多变量时间序列数据，从而实现对长期时间尺度下太阳能发电的稳健预测。
• 该架构基于来自澳大利亚某太阳能发电站的真实数据集进行评估，涵盖一整年的每小时测量数据。

实验结果

研究问题

• RQ1 混合NARX-LSTM模型是否能有效缓解长期太阳能发电预测中的梯度消失问题？
• RQ2 NARX与LSTM架构的融合相比独立模型，能否显著提升预测精度？
• RQ3 EVOLINO框架在多大程度上提升了混合循环模型的性能与稳定性？
• RQ4 所提出的模型在光伏功率发电预测的准确性方面是否优于已建立的基准模型？

主要发现

• 所提出的混合NARX-LSTM模型在预测精度方面显著优于传统的NARX模型和独立的LSTM模型。
• 通过集成LSTM单元，该模型有效缓解了梯度消失问题，从而更好地学习长程时间依赖关系。
• EVOLINO框架的使用提高了模型在训练过程中的收敛性和稳定性，从而实现了更可靠的预测结果。
• 该模型在真实澳大利亚太阳能发电数据上表现出色，展示了在季节性变化下的鲁棒性。
• 定量结果表明，该模型在RMSE和MAE指标上优于基准模型，尽管提供的文本中未报告具体数值。