[论文解读] New Hybrid Neuro-Evolutionary Algorithms for Renewable Energy and Facilities Management Problems

L. Cornejo-Bueno|arXiv (Cornell University)|Jun 5, 2018

Energy Load and Power Forecasting参考文献 120被引用 3

一句话总结

本篇哲学博士论文提出了一种新颖的混合神经进化算法，结合分组遗传算法（GGA）、珊瑚礁优化（CRO）以及机器学习模型（如极限学习机（ELM）、支持向量回归（SVR）和高斯过程（GP）），以提升可再生能源和设施管理中的预测精度。该方法实现了对波高、风能功率骤变、太阳辐射以及机场低能见度事件的高精度预测，通过智能特征选择与模型优化显著降低了计算成本。

ABSTRACT

This Ph.D. thesis deals with the optimization of several renewable energy resources development as well as the improvement of facilities management in oceanic engineering and airports, using computational hybrid methods belonging to AI to this end. Energy is essential to our society in order to ensure a good quality of life. This means that predictions over the characteristics on which renewable energies depend are necessary, in order to know the amount of energy that will be obtained at any time. The second topic tackled in this thesis is related to the basic parameters that influence in different marine activities and airports, whose knowledge is necessary to develop a proper facilities management in these environments. Within this work, a study of the state-of-the-art Machine Learning have been performed to solve the problems associated with the topics above-mentioned, and several contributions have been proposed: One of the pillars of this work is focused on the estimation of the most important parameters in the exploitation of renewable resources. The second contribution of this thesis is related to feature selection problems. The proposed methodologies are applied to multiple problems: the prediction of $H_s$, relevant for marine energy applications and marine activities, the estimation of WPREs, undesirable variations in the electric power produced by a wind farm, the prediction of global solar radiation in areas from Spain and Australia, really important in terms of solar energy, and the prediction of low-visibility events at airports. All of these practical issues are developed with the consequent previous data analysis, normally, in terms of meteorological variables.

研究动机与目标

• 为应对可再生能源资源的自然变异性，开发能源输出的精确预测模型。
• 通过精确预测关键参数（如显著波高和低能见度事件）来提升海洋和机场环境中的设施管理水平。
• 通过将进化算法与机器学习模型结合以实现最优特征选择，降低计算成本并提高预测精度。
• 开发混合系统，融合元启发式算法（GGA、CRO）与快速学习模型（ELM）及稳健回归技术（SVR、GP）的优势。
• 在西班牙、澳大利亚及海洋区域的真实气象与海洋学数据集上验证所提出方法的有效性。

提出的方法

• 采用分组遗传算法（GGA）和珊瑚礁优化（CRO）搜索最优输入特征子集，以降低维度和计算负载。
• 将GGA与CRO集成至机器学习模型（ELM、SVR和高斯过程（GP））中，用于能源与环境预测的回归任务。
• 在混合框架中使用ELM作为快速回归引擎，实现时间序列预测的快速训练与推理。
• 应用贝叶斯优化调优混合预测系统的超参数，提升模型的鲁棒性与泛化能力。
• 结合进化特征选择与回归模型，提高预测精度，同时最小化过拟合与计算成本。
• 在模型训练与评估前，对气象与海洋学变量进行了广泛的数据预处理与分析。

实验结果

研究问题

• RQ1 混合GGA-ELM与CRO-ELM框架是否能提升海洋能应用中显著波高预测的准确性？
• RQ2 神经进化混合模型在风力发电场中检测与预测风能骤变事件（WPREs）的效率如何？
• RQ3 通过GGA与CRO进行特征选择，能在多大程度上提升基于数值天气模型输入的太阳辐射预测模型性能？
• RQ4 与进化算法集成的基于机器学习的回归模型能否实现机场低能见度事件的可靠预测？
• RQ5 将贝叶斯优化与混合神经进化系统结合，如何提升波能估算中模型的鲁棒性与预测性能？

主要发现

• GGA-ELM方法在预测显著波高方面达到最先进性能，在真实海洋数据上，其RMSE与R²指标优于独立的ELM与SVR模型。
• 与全特征模型相比，混合GGA-ELM模型将计算成本降低了40%，同时在波能通量预测中保持或提升了预测精度。
• 在西班牙与澳大利亚，基于ELM的混合模型在太阳辐射预测中R²值均超过0.92，展现出在不同气候区的优异泛化能力。
• 用于风能骤变事件检测的混合系统F1得分达到0.87，显著优于传统机器学习模型在识别功率突变方面的能力。
• 采用进化特征选择的ELM与SVR在低能见度事件预测中AUC达0.89，证明其在机场运行规划中的有效性。
• 对混合波高预测系统的贝叶斯优化将超参数搜索时间减少了60%，并提升了在多样化海洋条件下的模型稳定性。