[論文レビュー] A TCN-based Hybrid Forecasting Framework for Hours-ahead Utility-scale PV Forecasting

Yiyan Li, Lidong Song+6 more|arXiv (Cornell University)|Nov 16, 2021

Solar Radiation and Photovoltaics被引用数 7

ひとこと要約

本稿では、95基のノースカロライナ州のPV発電所から得たデータを用いて、6時間先の大型太陽光発電所向け予測において、最先端の手法を上回る約20%の精度向上を達成する、TCNベースのハイブリッド予測フレームワークを提案する。このフレームワークは、物理ベースのトレンド予測（TF）モデルとデータ駆動型の雲イベント予測（CF）モデルを、3つの専用の時空間畳み込みネットワーク（TCNs）を用いて統合する。

ABSTRACT

This paper presents a Temporal Convolutional Network (TCN) based hybrid PV forecasting framework for enhancing hours-ahead utility-scale PV forecasting. The hybrid framework consists of two forecasting models: a physics-based trend forecasting (TF) model and a data-driven cloud-event forecasting (CF) model. Three TCNs are integrated in the framework for: i) blending the inputs from different Numerical Weather Prediction sources for the TF model to achieve superior performance on forecasting hourly PV profiles, ii) capturing spatial-temporal correlations between detector sites and the target site in the CF model to achieve more accurate forecast of intra-hour PV power drops, and iii) reconciling TF and CF results to obtain coherent hours-ahead PV forecast with both hourly trends and intra-hour fluctuations well preserved. To automatically identify the most contributive neighboring sites for forming a detector network, a scenario-based correlation analysis method is developed, which significantly improves the capability of the CF model on capturing large power fluctuations caused by cloud movements. The framework is developed, tested, and validated using actual PV data collected from 95 PV farms in North Carolina. Simulation results show that the performance of 6 hours ahead PV power forecasting is improved by approximately 20% compared with state-of-the-art methods.

研究の動機と目的

• 電力系統統合と運用計画のための、6時間先の大型太陽光発電所向け予測の精度を向上させること。
• 雲の移動によって引き起こされる長期的な時間的トレンドと短期的な分時内変動の両方を予測する課題に対処すること。
• 物理的知見とデータ駆動型学習を組み合わせたハイブリッドモデリングアプローチを構築し、予測の信頼性を高めること。
• PV発電所間の空間的・時系列的相関をよりよく表現することで、雲による発電量の急低下を的確に捉えること。
• 予測の信頼性を向上させるために、検出器ネットワーク形成に最も寄与する周辺発電所を自動で特定すること。

提案手法

• 複数の数値 weahter予測（NWP）ソースからの入力を統合するTCNを用いた物理ベースのトレンド予測（TF）モデルを採用し、より精度の高い時間的PVプロファイル予測を実現する。
• 検出器サイトとターゲットサイト間の空間的・時系列的相関を捉えるために、TCNを用いたデータ駆動型の雲イベント予測（CF）モデルを実装し、分時内での発電量の急低下を正確に予測する。
• TFモデルとCFモデルの出力を調和するための再結合TCNを統合し、最終予測において時間的トレンドと急激な変動の両方を保持する。
• シナリオベースの相関分析手法を開発し、検出器ネットワークに最も関連する周辺発電所を自動で選別することで、雲の移動検出の感度を向上させる。
• ノースカロライナ州の95基の大型太陽光発電所から得た実世界の発電データを用いて、ハイブリッドフレームワークの学習と検証を実施する。
• 再帰的構造を用いずに、拡張畳み込みを備えたTCNを用いて、長期的な時系列依存関係を効率的かつ正確にモデル化する。

実験結果

リサーチクエスチョン

• RQ1 物理ベースとデータ駆動型のモデルを統合したハイブリッドフレームワークは、6時間先の大型太陽光発電所向け予測の精度をどのように向上させ得るか？
• RQ2 TCNは、分散配置されたPV発電所間の空間的・時系列的相関をどれほど的確にモデル化でき、雲による発電量の変動予測に有効か？
• RQ3 シナリオベースの相関分析に基づく自動的な発電所選別手法は、雲イベント予測の性能を向上させ得るか？
• RQ4 TCNを介して複数のNWPソースを統合することで、トレンド予測のロバスト性はどの程度向上するか？
• RQ5 専用のTCNモジュールを用いてトレンド予測と雲イベント予測を再結合することで、予測精度にどの程度のネット向上効果が得られるか？

主な発見

• 提案されたTCNベースのハイブリッドフレームワークは、最先端の手法を上回り、6時間先のPV発電量予測精度を約20%向上させる。
• トレンド予測モデルにおいて複数のNWPソースをTCNで統合することで、時間的PVプロファイルの予測精度が顕著に向上する。
• TCNを用いた空間的・時系列的モデリングを強化した雲イベント予測モデルは、雲の移動に起因する分時内発電量の急低下をより高い精度で捉える。
• シナリオベースの相関分析手法は、最も寄与する周辺発電所を的確に同定し、検出器ネットワークの雲イベントへの対応速度を向上させる。
• 再結合TCNは、トレンドと変動予測を効果的に統合し、最終出力において長期的トレンドと短期的ダイナミクスの両方を保持する。
• ノースカロライナ州の95基の大型太陽光発電所から得た実世界データを用いた検証において、本フレームワークは優れた汎化性能とロバスト性を示す。