[논문 리뷰] Hybrid Neuro-Evolutionary Method for Predicting Wind Turbine Power Output

Mehdi Neshat, Meysam Majidi Nezhad외 7명|arXiv (Cornell University)|2020. 01. 01.

Energy Load and Power Forecasting참고 문헌 46인용 수 2

한 줄 요약

이 논문은 자기적응형 미분 진화(SaDE)를 활용한 하이퍼파라미터 최적화와 장기 순환 신경망(LSTM)을 조합한 하이브리드 신경진화 모델인 SaDE-LSTM을 제안한다. 이 모델은 SCADA 데이터의 노이즈를 k-means 군집화와 오토에인코더를 이용해 선별적으로 제거함으로써 단기 풍력 터빈 발전량 예측 정확도를 향상시킨다. 10분 및 1시간 예측 수준에서 상태의 기준 수준 성능을 달성하며, RMSE 값은 최소 1.431×10⁻³, R² 점수는 0.991 이상을 기록한다.

ABSTRACT

Reliable wind turbine power prediction is imperative to the planning, scheduling and control of wind energy farms for stable power production. In recent years Machine Learning (ML) methods have been successfully applied in a wide range of domains, including renewable energy. However, due to the challenging nature of power prediction in wind farms, current models are far short of the accuracy required by industry. In this paper, we deploy a composite ML approach--namely a hybrid neuro-evolutionary algorithm--for accurate forecasting of the power output in wind-turbine farms. We use historical data in the supervisory control and data acquisition (SCADA) systems as input to estimate the power output from an onshore wind farm in Sweden. At the beginning stage, the k-means clustering method and an Autoencoder are employed, respectively, to detect and filter noise in the SCADA measurements. Next, with the prior knowledge that the underlying wind patterns are highly non-linear and diverse, we combine a self-adaptive differential evolution (SaDE) algorithm as a hyper-parameter optimizer, and a recurrent neural network (RNN) called Long Short-term memory (LSTM) to model the power curve of a wind turbine in a farm. Two short time forecasting horizons, including ten-minutes ahead and one-hour ahead, are considered in our experiments. We show that our approach outperforms its counterparts.

연구 동기 및 목표

• 더 나은 전력망 통합과 발전소 운영을 위해 단기 풍력 터빈 발전량 예측 정확도를 향상시키기 위해.
• SCADA 시스템에서 유입되는 비선형적이고 노이즈가 많으며 혼돈된 특성을 띤 풍력 발전량 시계열 데이터의 과제를 해결하기 위해.
• 데이터 전처리와 고급 최적화 및 딥러닝을 융합한 강력한 하이브리드 모델을 개발하기 위해.
• 풍속, 풍향, 현재 발전량과 같은 다양한 입력 특성의 조합이 예측 성능에 미치는 영향을 평가하기 위해.

제안 방법

• 원시 SCADA 데이터의 노이즈를 탐지하고 제거하기 위해 k-means 군집화와 오토에인코더를 활용하였다.
• 풍력 터빈의 비선형 발전 곡선을 모델링하기 위해 장기 순환 신경망(LSTM)을 사용하였다.
• 학습률, 레이어 수, 뉴런 수 등 LSTM 하이퍼파라미터를 최적화하기 위해 자기적응형 미분 진화(SaDE)를 적용하였다.
• 다양한 최적화 기법을 비교 분석하였으며, 그리드 서치, 회색 늑대 최적화기(GWO), 미분 진화(DE), CMA-ES를 포함하였다.
• 다양한 입력 조합을 가진 네 가지 예측 모델을 평가하였으며, 풍속만, 풍속과 풍향, 풍속과 발전량, 그리고 세 가지 입력 모두를 포함한 조합을 사용하였다.
• 10분 및 1시간 예측 수준에서 42개월 분량의 온쇼어 풍력 발전소 데이터를 기반으로 실험을 수행하였다.

실험 결과

연구 질문

• RQ1 제안된 SaDE-LSTM 모델은 다른 하이브리드 모델 대비 풍력 터빈 발전량 예측 성능에서 어떻게 비교되는가?
• RQ2 k-means와 오토에인코더를 활용한 데이터 전처리가 예측 정확도에 어떤 영향을 미치는가?
• RQ3 풍속, 풍향, 현재 발전량 중 어떤 입력 특성 조합이 가장 높은 예측 성능을 낳는가?
• RQ4 자기적응형 미분 진화(SaDE)가 풍력 발전량 예측을 위한 LSTM 하이퍼파라미터 최적화에 얼마나 효과적인가?
• RQ5 청결한 데이터를 사용할 경우 딥러닝 모델의 풍력 예측 성능이 뚜렷하게 향상되는가?

주요 결과

• SaDE-LSTM 모델은 10분 예측 수준에서 최저 RMSE 1.431×10⁻³, 1시간 예측 수준에서 2.833×10⁻²를 기록하여 모든 기준 모델을 능가하였다.
• 10분 예측 수준에서 R² 점수는 0.9921, 1시간 예측 수준에서는 0.9931을 기록하여 높은 예측 정확도를 입증하였다.
• k-means와 오토에인코더를 통한 전처리로 정제된 데이터를 사용한 결과, 원시 데이터 대비 모델 성능이 뚜렷이 향상되었다.
• 풍속, 풍향, 현재 발전량의 세 가지 입력을 모두 포함한 모델이 가장 우수한 성능을 보였으며, 입력 수가 적은 모델보다 뛰어났다.
• Friedman 검정을 통해 통계적 유의성이 확인되었으며, SaDE-LSTM은 모든 구성에서 평균 순위가 가장 높았다.
• SaDE와 LSTM을 융합한 하이브리드 접근 방식은 다양한 하이퍼파라미터 설정에서 뛰어난 강건성과 일반화 능력을 보였다.