[论文解读] An Evolutionary Deep Learning Method for Short-term Wind Speed Prediction: A Case Study of the Lillgrund Offshore Wind Farm

Mehdi Neshat, Meysam Majidi Nezhad+5 more|arXiv (Cornell University)|Feb 21, 2020

Energy Load and Power Forecasting参考文献 40被引用 7

一句话总结

本文提出了一种混合进化深度学习方法 CMAES-LSTM，利用协方差矩阵自适应进化策略（CMA-ES）优化长短期记忆（LSTM）网络的超参数，以实现短期风速预测。在波罗的海利尔兰德海上风电场的真实数据上进行评估，该方法在10分钟和1小时预测时 horizon 上均优于五种基准模型，所有五项性能指标均实现统计上显著的改进。

ABSTRACT

Accurate short-term wind speed forecasting is essential for large-scale integration of wind power generation. However, the seasonal and stochastic characteristics of wind speed make forecasting a challenging task. This study uses a new hybrid evolutionary approach that uses a popular evolutionary search algorithm, CMA-ES, to tune the hyper-parameters of two Long short-term memory(LSTM) ANN models for wind prediction. The proposed hybrid approach is trained on data gathered from an offshore wind turbine installed in a Swedish wind farm located in the Baltic Sea. Two forecasting horizons including ten-minutes ahead (absolute short term) and one-hour ahead (short term) are considered in our experiments. Our experimental results indicate that the new approach is superior to five other applied machine learning models, i.e., polynomial neural network (PNN), feed-forward neural network (FNN), nonlinear autoregressive neural network (NAR) and adaptive neuro-fuzzy inference system (ANFIS), as measured by five performance criteria.

研究动机与目标

• 解决由于风的随机性、非平稳性和间歇性带来的准确短期风速预测挑战。
• 通过同时优化网络架构和超参数，超越静态深度学习模型的预测性能。
• 开发一种混合进化深度学习框架，将CMA-ES与LSTM结合，实现自适应、高精度的风速预测。
• 在真实世界的海上风电数据上验证所提方法，以确保其实际相关性和鲁棒性。
• 证明CMAES-LSTM模型在短期风速预测中优于传统机器学习模型。

提出的方法

• 采用混合方法，将长短期记忆（LSTM）循环神经网络与协方差矩阵自适应进化策略（CMA-ES）结合，用于超参数和网络架构的优化。
• 将CMA-ES用作全局启发式搜索算法，以调优关键LSTM超参数，包括初始学习率、批量大小、优化器类型（SGD、Adam、RMSProp）以及第一层LSTM中的神经元数量。
• 采用两阶段调优流程：先进行网格搜索，再利用CMA-ES进行精细化调优，并引入运行时间惩罚项以限制过长的训练时间。
• 在波罗的海利尔兰德海上风电场收集的历史风速数据上进行模型训练与评估。
• 采用多时域评估框架，分别对10分钟和60分钟后的风速进行预测。
• 结合五项标准指标（RMSE、MAE、MAPE、R²、NSE）进行性能评估，全面衡量模型的准确性与稳定性。

实验结果

研究问题

• RQ1 CMA-ES能否有效优化LSTM超参数，从而提升短期风速预测的准确性？
• RQ2 在10分钟和1小时预测时 horizon 上，CMAES-LSTM模型相较于静态LSTM及其他机器学习模型（PNN、FNN、NAR、ANFIS）的表现如何？
• RQ3 该混合进化方法是否在多个评估指标上带来统计上显著的性能提升？
• RQ4 在CMA-ES优化过程中引入运行时间惩罚项，能在多大程度上提升模型的实际效率，同时不牺牲准确性？
• RQ5 在真实海上风电数据的非平稳性和随机性特征下，该方法能否实现更稳定和鲁棒的预测？

主要发现

• CMAES-LSTM模型在10分钟预测中达到最低RMSE为2.46 m/s，在1小时预测中同样为2.46 m/s，优于所有五种基准模型。
• 在10分钟预测中，CMAES-LSTM模型的MAE为1.57 m/s，为所有模型中最低，次佳模型（LSTM）为1.58 m/s。
• CMAES-LSTM模型在10分钟预测中R²达到0.930，在1小时预测中为0.928，表明模型拟合良好且具备强预测能力。
• 该模型在10分钟时达到最高的NSE（纳什-萨特克利夫效率）0.928，在1小时时为0.925，证实其具有卓越的预测准确性和稳定性。
• 统计分析表明，CMAES-LSTM与其他模型在全部五项评估指标上的性能差异均具有统计显著性。
• CMA-ES优化过程成功降低了训练时间的变异性，各次运行的标准差仅为0.365小时（21.9分钟），表明其收敛过程稳健且高效。