Core Concepts
다양한 심층 순환 신경망 모델을 사용하여 미시시피 주립대학교 캠퍼스 인근 공항의 단기 풍속을 예측하고, 모델 성능을 비교 분석하였다.
Abstract
이 논문은 풍력 발전을 위한 최적의 설치 장소를 찾기 위해 미시시피 주립대학교 캠퍼스 인근 공항의 단기 풍속을 예측하는 것을 목표로 한다. 이를 위해 4가지 심층 순환 신경망 모델(스택형 상태 의존 LSTM, 스택형 상태 독립 LSTM, 스택형 상태 의존 GRU, 스택형 상태 독립 GRU)을 사용하여 예측 성능을 비교하였다.
데이터는 NOAA의 공개 데이터베이스에서 추출하였으며, 기온, 습도, 기압 등 기상 데이터를 활용하였다. 모델 성능은 RMSE를 통해 평가하였으며, 스택형 상태 독립 LSTM 모델이 가장 우수한 성능을 보였다. 그러나 두 지역 모두 평균 풍속이 낮아 풍력 발전에는 적합하지 않은 것으로 나타났다.
향후 연구에서는 더 긴 기간의 데이터를 활용하고 하이퍼파라미터 튜닝을 통해 모델 성능을 개선할 계획이다. 또한 장기 풍속 예측 모델로 확장하는 것도 고려할 수 있다.
Stats
2022년 1월 스타크빌 지역 스택형 상태 독립 LSTM 모델의 테스트 RMSE: 0.19
2022년 7월 스타크빌 지역 스택형 상태 독립 LSTM 모델의 테스트 RMSE: 0.09
2022년 10월 스타크빌 지역 스택형 상태 독립 LSTM 모델의 테스트 RMSE: 0.32
2022년 1월 메리디언 지역 스택형 상태 독립 LSTM 모델의 테스트 RMSE: 0.21
2022년 7월 메리디언 지역 스택형 상태 독립 LSTM 모델의 테스트 RMSE: 0.13
2022년 10월 메리디언 지역 스택형 상태 독립 LSTM 모델의 테스트 RMSE: 0.16
Quotes
"스택형 상태 독립 LSTM 모델이 스타크빌과 메리디언 데이터 세트 모두에서 가장 우수한 성능을 보였습니다."
"일반적으로 시계열 데이터를 다룰 때 상태 의존 모델이 더 높은 예측 정확도를 보이지만, 풍속은 이전 풍속보다는 외부 요인에 더 큰 영향을 받는 것으로 나타났습니다."