[논문 리뷰] Wind speed forecast using random forest learning method

G. V. Drisya, P. Valsaraj외 2명|arXiv (Cornell University)|2022. 03. 23.

Energy Load and Power Forecasting인용 수 8

한 줄 요약

이 논문은 과거 12시간 이내의 역사적-wind speed 데이터를 사용하여 단기 풍속 예측을 위한 랜덤 포레스트 회귀 모델을 제안한다. 두 주간의 데이터로 훈련된 모델은 루트 평균 제곱 오차가 낮아 세 가지 연도에 걸쳐 신뢰할 수 있는 예측을 가능하게 하며, 재생 가능 에너지 예측에서 앙상블 학습의 효과성을 입증한다.

ABSTRACT

Wind speed forecasting models and their application to wind farm operations are attaining remarkable attention in the literature because of its benefits as a clean energy source. In this paper, we suggested the time series machine learning approach called random forest regression for predicting wind speed variations. The computed values of mutual information and auto-correlation shows that wind speed values depend on the past data up to 12 hours. The random forest model was trained using ensemble from two weeks data with previous 12 hours values as input for every value. The computed root mean square error shows that model trained with two weeks data can be employed to make reliable short-term predictions up to three years ahead.

연구 동기 및 목표

• 풍력 발전소 운영 향상을 위한 기계 학습 기반의 풍속 예측 모델 개발.
• 상호 정보량과 자기상관 분석을 통해 풍속의 시간적 의존성 탐구.
• 장기 예측 수준에서 랜덤 포레스트 회귀의 성능 평가.
• 예측 모델의 입력 특징으로서 최적의 역사적 윈도우(최대 12시간) 결정.
• 실제 데이터를 사용하여 장기 단기 예측의 신뢰성 검증.

제안 방법

• 랜덤 포레스트 회귀 모델은 과거 12시간의 측정값을 입력 특징으로 사용하여 두 주간의 역사적 풍속 데이터로 훈련된다.
• 상호 정보량과 자기상관 분석을 통해 관련 있는 시간적 의존성을 식별함으로써 특징 선택이 이뤄진다.
• 모델은 분산을 줄이고 예측의 강건성을 향상시키기 위해 결합된 결정 트리들을 활용한다.
• 테스트 데이터에서 루트 평균 제곱 오차(RMSE)를 사용하여 모델 성능 평가.
• 훈련된 모델은 최대 3년 전까지의 외삽 능력을 테스트한다.
• 일반화 능력을 확보하기 위해 시간 시리즈 교차 검증을 활용한 예측 프레임워크 구현.

실험 결과

연구 질문

• RQ1 과거 관측치를 사용하여 향후 풍속을 예측하기 위한 최적의 역사적 시간 윈도우는 무엇인가?
• RQ2 랜덤 포레스트 회귀 모델은 풍속 시계열의 비선형 패턴을 얼마나 효과적으로 포착하는가?
• RQ3 두 주간의 짧은 윈도우로 훈련된 모델이 장기 예측(최대 3년)으로 일반화될 수 있는가?
• RQ4 기본 모델 대비 랜덤 포레스트 모델의 예측 정확도는 어떠한가?
• RQ5 상호 정보량과 자기상관 값은 모델의 입력 특징 선택에 어떻게 기여하는가?

주요 결과

• 상호 정보량과 자기상관 분석을 통해 풍속 값이 과거 데이터에 대해 최대 12시간까지 유의미한 의존성을 보임을 확인하였다.
• 두 주간의 데이터로 훈련된 랜덤 포레스트 모델은 낮은 루트 평균 제곱 오차를 기록하여 높은 예측 정확도를 나타내었다.
• 모델은 최대 3년 전까지의 신뢰할 수 있는 단기 풍속 예측을 수행하였다.
• 랜덤 포레스트의 앙상블 특성은 과적합을 효과적으로 줄이고 노이즈가 많은 풍속 데이터에서 강건성을 향상시켰다.
• 과거 12시간의 역사적 풍속 데이터를 입력 특징으로 사용함으로써 예측 성능이 크게 향상되었다.
• 장기 예측 수준에서 일반화 능력이 뛰어난 점을 고려할 때, 이 모델은 풍력 에너지 시스템에 실용적 적용 가능성이 높다.