[论文解读] Comparative Analysis of Machine Learning Algorithms for Solar Irradiance Forecasting in Smart Grids

Saman Soleymani, Shima Mohammadzadeh|arXiv (Cornell University)|Oct 20, 2023

Energy Load and Power Forecasting被引用 4

一句话总结

本研究评估了最先进的机器学习模型——随机森林、XGBoost、LightGBM、CatBoost 和 MLP-ANN——在智能电网中太阳辐照度预测中的表现，采用贝叶斯优化进行超参数调优。结果表明，随机森林在所有模型中表现最佳，而 MLP-ANN 在进行特征选择后性能显著提升，凸显了预处理在神经网络中的重要性。

ABSTRACT

The increasing global demand for clean and environmentally friendly energy resources has caused increased interest in harnessing solar power through photovoltaic (PV) systems for smart grids and homes. However, the inherent unpredictability of PV generation poses problems associated with smart grid planning and management, energy trading and market participation, demand response, reliability, etc. Therefore, solar irradiance forecasting is essential for optimizing PV system utilization. This study proposes the next-generation machine learning algorithms such as random forests, Extreme Gradient Boosting (XGBoost), Light Gradient Boosted Machine (lightGBM) ensemble, CatBoost, and Multilayer Perceptron Artificial Neural Networks (MLP-ANNs) to forecast solar irradiance. Besides, Bayesian optimization is applied to hyperparameter tuning. Unlike tree-based ensemble algorithms that select the features intrinsically, MLP-ANN needs feature selection as a separate step. The simulation results indicate that the performance of the MLP-ANNs improves when feature selection is applied. Besides, the random forest outperforms the other learning algorithms.

研究动机与目标

• 为解决智能电网运行中太阳能发电波动性的问题，通过提高太阳辐照度预测的准确性。
• 评估现代集成模型与神经网络模型在预测太阳辐照度方面的性能。
• 研究特征选择对 MLP-ANN 性能的影响，相较于基于树的模型。
• 对所有模型应用贝叶斯优化进行超参数调优，以确保公平比较。

提出的方法

• 本研究采用五种机器学习模型：随机森林、XGBoost、LightGBM、CatBoost 和多层感知器人工神经网络（MLP-ANNs）。
• 使用贝叶斯优化对所有模型的超参数进行调优，确保每种算法均达到最优配置。
• 对于 MLP-ANNs，将特征选择作为独立的预处理步骤；而基于树的模型则具备内在的特征选择能力。
• 利用真实世界的太阳辐照度数据集，通过标准回归指标评估模型性能。
• 对比分析涵盖短期预测以及在不同数据条件下的模型鲁棒性评估。
• 研究采用一致的实验设置，结合交叉验证与标准化数据预处理，以确保结果的可靠性。

实验结果

研究问题

• RQ1 在随机森林、XGBoost、LightGBM、CatBoost 和 MLP-ANNs 中，哪种机器学习模型在太阳辐照度预测中达到最高准确性？
• RQ2 与基于树的集成模型相比，MLP-ANNs 在引入特征选择后性能如何变化？
• RQ3 贝叶斯优化在多大程度上提升了各模型在预测任务中的性能表现？
• RQ4 由于具备内置特征选择能力，基于树的集成模型是否在太阳辐照度预测中天然优于前馈神经网络？
• RQ5 在不同太阳辐照度条件下，各模型在泛化能力和鲁棒性方面如何比较？

主要发现

• 随机森林在所有评估模型中实现了最高的预测准确性，优于 XGBoost、LightGBM、CatBoost 和 MLP-ANNs。
• 当在训练前应用特征选择时，MLP-ANNs 表现出现显著提升，表明输入质量对其输出有强烈影响。
• 具备内在特征选择能力的基于树的集成模型（如随机森林、XGBoost、LightGBM 和 CatBoost）表现出更优性能。
• 贝叶斯优化有效调优了所有模型的超参数，实现了公平且可靠的比较。
• 当对 MLP-ANNs 应用特征选择后，其与基于树的模型之间的性能差距进一步扩大，进一步证实了集成方法中内置特征重要性优势。
• 本研究证实，预处理，特别是特征选择，对于最大化神经网络在太阳辐照度预测中的预测能力至关重要。