Fortgeschrittene Hyperparameteroptimierung von Deep-Learning-Modellen zur Vorhersage von Windenergie

Die Unsicherheit der Windenergie als Haupthindernis für ihre Integration in das Stromnetz kann durch eine genaue und effiziente Windenergievorhersage angegangen werden. Unter den verschiedenen Methoden zur Vorhersage von Windenergie werden Algorithmen des maschinellen Lernens (ML) als leistungsfähiges Werkzeug zur Windenergievorhersage anerkannt, jedoch hängt ihre Leistung stark von der richtigen Einstellung ihrer Hyperparameter ab. Übliche Methoden zur Hyperparameteroptimierung wie Gitter- oder Zufallssuche sind zeitaufwändig, rechenintensiv und unzuverlässig für komplexe Modelle wie tiefenlernende neuronale Netze. Daher besteht ein dringender Bedarf an automatischen Methoden, um optimale Hyperparameter für eine höhere Genauigkeit und Effizienz von Vorhersagemodellen zu entdecken. In dieser Studie wird eine neuartige Untersuchung im Bereich der Windenergievorhersage durch einen umfassenden Vergleich von drei fortschrittlichen Techniken – Scikit-opt, Optuna und Hyperopt – zur Hyperparameteroptimierung von Convolutional Neural Network (CNN) und Long Short-Term Memory Network (LSTM) Modellen beigetragen, ein Aspekt, der unser Wissen nach bisher nicht systematisch in der vorhandenen Literatur erforscht wurde. Die Auswirkungen dieser Optimierungstechniken auf die Genauigkeit und Effizienz der CNN- und LSTM-Modelle werden durch den Vergleich des mittleren quadratischen Fehlers (RMSE) der Vorhersagen und der erforderlichen Zeit zur Abstimmung der Modelle bewertet. Die Ergebnisse zeigen, dass der Optuna-Algorithmus, der eine baumgestützte Parzen-Schätzer (TPE) Suchmethode und eine erwartete Verbesserungs (EI) Erwerbsfunktion verwendet, die beste Effizienz sowohl für CNN- als auch LSTM-Modelle aufweist. In Bezug auf die Genauigkeit wird gezeigt, dass während bei dem CNN-Modell alle Optimierungsmethoden ähnliche Leistungen erzielen, das durch den Hyperopt-Algorithmus optimierte LSTM-Modell, basierend auf der Abkühlungssuchmethode, die höchste Genauigkeit ergibt. Darüber hinaus wird zum ersten Mal in dieser Forschung der Einfluss der zufälligen Initialisierungsmerkmale auf die Leistung der Vorhersagemodelle mit neuronalen Netzen untersucht. Die vorgeschlagenen Strukturen für Deep-Learning-Modelle wurden untersucht, um die robusteste Struktur mit der minimalen Empfindlichkeit gegenüber der Zufälligkeit zu bestimmen. Was wir aus dem Vergleich fortschrittlicher Hyperparameteroptimierungsmethoden entdeckt haben, kann von Forschern genutzt werden, um zeitbasierte Vorhersagemodelle abzustimmen.