[論文レビュー] A Stochastic Generator of Global Monthly Wind Energy with Tukey $g$-and-$h$ Autoregressive Processes

Jaehong Jeong, Yuan Yan+2 more|arXiv (Cornell University)|Nov 10, 2017

Energy Load and Power Forecasting被引用数 4

ひとこと要約

本稿では、非ガウス的で非定常的な空間時系列的依存構造をモデル化するため、Tukey $g$-and-$h$ 自己回帰過程を用いた確率的生成モデルを提案する。5つの気候モデル走行のみで学習させた本モデルは、40回の完全なシミュレーションの不確実性を効率的に再現し、月次スケールでの歪度、裾の挙動、および年間変動を正確に捉える。これは、政策に影響を与える風力エネルギー評価において極めて重要である。

ABSTRACT

Quantifying the uncertainty of wind energy potential from climate models is a very time-consuming task and requires a considerable amount of computational resources. A statistical model trained on a small set of runs can act as a stochastic approximation of the original climate model, and be used to assess the uncertainty considerably faster than by resorting to the original climate model for additional runs. While Gaussian models have been widely employed as means to approximate climate simulations, the Gaussianity assumption is not suitable for winds at policy-relevant time scales, i.e., sub-annual. We propose a trans-Gaussian model for monthly wind speed that relies on an autoregressive structure with Tukey $g$-and-$h$ transformation, a flexible new class that can separately model skewness and tail behavior. This temporal structure is integrated into a multi-step spectral framework that is able to account for global nonstationarities across land/ocean boundaries, as well as across mountain ranges. Inference can be achieved by balancing memory storage and distributed computation for a data set of 220 million points. Once fitted with as few as five runs, the statistical model can generate surrogates fast and efficiently on a simple laptop, and provide uncertainty assessments very close to those obtained from all the available climate simulations (forty) on a monthly scale.

研究の動機と目的

• グローバルな月次風力エネルギー潜在力における内部変動を定量化するための計算効率の良い代替モデルの開発。
• 月次風速データにおける歪度や裾の厚さを捉えることが難しいガウスモデルの限界を克服すること。
• 並列および分散コンピューティングを活用して、2億2000万点の空間時系列データセットに対するスケーラブルな推論を可能にすること。
• 風力エネルギー計画において極めて重要な月次スケールでの政策的関連性を持つ不確実性評価を提供すること。
• 少数のトレーニングセット（5回）で十分に精度の高い合成データを生成でき、40回の完全アンサンブルの不確実性に近い結果を得られることを示すこと。

提案手法

• 本モデルは、歪度（$g$）と尾部挙動（$h$）を別々に制御できるTukey $g$-and-$h$分布に基づく変換ガウス過程を採用し、月次風速の柔軟な非ガウス的モデリングを可能にする。
• 陸上・海洋境界や山脈に起因する空間的非定常性を組み込むために、多段階のスペクトルフレームワークを用い、球面上での物理的に妥当な依存構造を保証する。
• 月次風速の局所的時系列的ダイナミクスと局所的依存関係を捉えるために、スペクトルモデル内に自己回帰構造を統合する。
• 分散処理とグリッド構造の両立を図るメモリ効率の良いスケーラブルな推論手法を採用し、2億2000万点のデータに対して尤度に基づく推定を実現する。
• 大規模な共分散行列を効率的に処理するため、固定ランク近似と並列化されたコレスキー分解を統合し、ハイパフォーマンスコンピューティングを活用する。
• LENSアンサンブルの小さなサブセット（5回）をトレーニングデータとして用い、不確実性評価のための高速かつ高精度な代替データを生成する確率的生成モデルを構築する。

実験結果

リサーチクエスチョン

• RQ1 大規模気候アンサンブルからのわずか5回の走行で学習した統計モデルが、月次風力エネルギーの全40回アンサンブルの不確実性を正確に再現できるか。
• RQ2 非ガウス的で非定常的な空間時系列モデルが、世界規模の月次風速における歪度と裾の厚さをどの程度正確に捉えることができるか。
• RQ3 Tukey $g$-and-$h$ 自己回帰過程が、陸上・海洋・山岳地域における風速の複雑な非定常性をどの程度適切にモデル化できるか。
• RQ4 スケーラブルで並列化された推論フレームワークが、2億2000万点のグローバル風力データセットの計算的負荷を維持しながら処理できるか。
• RQ5 提案された確率的生成モデルが、政策に影響を与える風力エネルギー評価において、フル気候モデルの実行に代わる信頼性が高く高速な代替手段を提供できるか。

主な発見

• わずか5回のLENS走行で学習した確率的生成モデルは、合成風速データを生成するが、その外観は全40回アンサンブルと見分けがつかず、元のシミュレーションの局所的空間時系列的依存構造を正確に再現する。
• Tukey $g$-and-$h$ モデルは、80 mにおける風力密度（WPD）の右歪度分布を成功裏に捉えており、アデン湾における全アンサンブルとほぼ同一の不確実性を再現している。
• 2020年のWPDのボックスプロットでは、40回のLENS走行と40回のSG走行の間で点推定値と範囲がほぼ同一であり、4月と11月にわずかなずれが見られるにとどまる。
• モデルは内部変動と年間パターンを正確に再現しており、7月のような高風速月における「普通」から「非常に高い」風速帯の分類も的確に再現している。
• SGは標準のラップトップで数秒で代替データを生成し、40回のフル気候モデル走行が要する数百万CPU時間に匹敵する不確実性評価をほぼ同一の精度で達成している。
• 多段階スペクトルモデリングとTukey $g$-and-$h$ 変換の統合により、大規模スケールで非定常的かつ非ガウス的なグローバル月次風力エネルギーのモデリングが可能になった。