[论文解读] PV Power Forecasting Using Weighted Features for Enhanced Ensemble Method

Mohamed Massaoudi, Inès Chihi+4 more|arXiv (Cornell University)|Oct 21, 2019

Solar Radiation and Photovoltaics参考文献 32被引用 4

一句话总结

本文提出了一种加权特征增强的袋装集成模型用于光伏（PV）发电预测，通过整合特征重要性分析以优化偏差-方差权衡。通过应用基于专家知识和统计分析生成的特征加权向量，该方法提高了预测精度，相较于基准模型实现了5%的RMSE降低。

ABSTRACT

Solar power becomes one of the most promising renewable energy resources in recent years. However, the weather is continuously changing, and this causes a discontinuity of energy generation. PV Power forecasting is a suitable solution to handle sudden disjointedness on energy generation by providing fast dispatching to grid electricity. These methods present a key insight into matchmaking grid electricity and photovoltaic plants. Bootstrap aggregation Ensemble method(Bagging) is classified as one of the most useful machine learning models which are applicable to supervised learning regression tasks. Following this regard, this paper proposes a state-of-art method based on bagging and this method works perfectly for PV power forecasting. The latter had powerful capabilities of tracking the behavior of stochastic problems with good accuracy with the aid of feature importance information. This approach comes to optimize bias/variance using feature weighting vector. Thus, this paper is devoted to present various feature importance techniques for Photovoltaic forecasting parameters. This technique consists of improving the aforementioned ensemble model via contributing the knowledge expertise obtained from features analysis to be directly transformed into the Ensemble model. The proposed model is tested on PV power prediction. Therefore, the benchmarked technique shows an improvement in accuracy in terms of RMSE to 5%.

研究动机与目标

• 解决由于天气波动导致光伏系统中间歇性太阳能发电的挑战。
• 利用机器学习集成方法提高光伏发电预测的准确性。
• 将特征重要性知识直接整合到袋装集成模型中，以提升泛化能力。
• 通过特征加权减少预测误差，特别是RMSE，以提升光伏发电预测性能。
• 在真实世界光伏发电数据上验证所提方法，并与基准模型进行对比。

提出的方法

• 该方法采用自助聚合（bagging）作为基础集成框架，用于光伏发电预测中的回归任务。
• 通过统计分析和领域特定分析量化特征重要性，生成特征加权向量。
• 将加权向量整合到集成模型中，以在训练过程中突出更具信息量的特征。
• 通过根据特征的预测相关性调整其贡献，优化偏差-方差权衡。
• 结合机器学习的鲁棒性与来自特征分析的专家知识，以提升模型性能。
• 最终模型使用RMSE作为主要指标，在真实光伏发电数据集上进行评估。

实验结果

研究问题

• RQ1 如何系统性地将特征重要性整合到用于光伏发电预测的集成学习模型中？
• RQ2 特征加权在多大程度上提升了基于袋装的光伏预测模型的准确性？
• RQ3 将领域知识整合到特征选择中是否能增强模型泛化能力并降低RMSE？
• RQ4 所提出的加权集成模型与标准袋装模型及其他基准模型相比表现如何？
• RQ5 不同特征重要性技术对最终预测性能有何影响？

主要发现

• 所提出的加权特征集成模型相较于基准模型实现了5%的RMSE改进。
• 通过加权向量整合特征重要性显著降低了模型方差，并增强了预测稳定性。
• 该方法能更准确地跟踪由于天气波动引起的随机性太阳能发电变化。
• 将专家知识整合到特征选择中，提升了模型在多样化天气条件下的泛化能力。
• 该模型在处理因快速天气变化导致的间歇性能源发电方面表现出色。
• 结果证实，特征加权能有效提升袋装方法在光伏发电预测回归任务中的有效性。