[論文レビュー] An Integrated Multi-Time-Scale Modeling for Solar Irradiance Forecasting Using Deep Learning

Sakshi Mishra, Praveen Palanisamy|arXiv (Cornell University)|May 7, 2019

Solar Radiation and Photovoltaics参考文献 47被引用数 12

ひとこと要約

本論文は、RNNとLSTMを統合した包括的な深層学習アーキテクチャを提案し、複数の時間スケールにおける太陽放射エネルギ予測を実現する。これにより、イントラアワーおよびイントラデイの予測が高精度で可能となる。米国各地の施設において、最先端の手法と比較して平均RMSEが71.5%低減され、送電網運用における優れたロバスト性とリアルタイム適用性を示している。

ABSTRACT

For short-term solar irradiance forecasting, the traditional point forecasting methods are rendered less useful due to the non-stationary characteristic of solar power. The amount of operating reserves required to maintain reliable operation of the electric grid rises due to the variability of solar energy. The higher the uncertainty in the generation, the greater the operating-reserve requirements, which translates to an increased cost of operation. In this research work, we propose a unified architecture for multi-time-scale predictions for intra-day solar irradiance forecasting using recurrent neural networks (RNN) and long-short-term memory networks (LSTMs). This paper also lays out a framework for extending this modeling approach to intra-hour forecasting horizons thus, making it a multi-time-horizon forecasting approach, capable of predicting intra-hour as well as intra-day solar irradiance. We develop an end-to-end pipeline to effectuate the proposed architecture. The performance of the prediction model is tested and validated by the methodical implementation. The robustness of the approach is demonstrated with case studies conducted for geographically scattered sites across the United States. The predictions demonstrate that our proposed unified architecture-based approach is effective for multi-time-scale solar forecasts and achieves a lower root-mean-square prediction error when benchmarked against the best-performing methods documented in the literature that use separate models for each time-scale during the day. Our proposed method results in a 71.5% reduction in the mean RMSE averaged across all the test sites compared to the ML-based best-performing method reported in the literature. Additionally, the proposed method enables multi-time-horizon forecasts with real-time inputs, which have a significant potential for practical industry applications in the evolving grid.

研究の動機と目的

• 短期予測における非定常的で変動しやすい太陽放射エネルギの変動に取り組むこと。
• 複数の時間スケールにわたる予測精度の向上により、運用予備容量コストを低減すること。
• イントラアワーおよびイントラデイの予測に別々のモデルを用いるのではなく、1つの統合的で統一された深層学習モデルを構築すること。
• 米国各地の地理的に多様な地域におけるモデルのロバスト性を検証すること。
• 動的入力更新に対応するリアルタイムでエンドツーエンドの予測を可能にし、実際の送電網統合に適した仕組みを実現すること。

提案手法

• 提案されたアーキテクチャは、長短期記憶（LSTM）ネットワークに基づく包括的なエンコーダデコーダフレームワークを用い、複数の時間スケールを処理する。
• 1つのモデル内でイントラアワー（例：5〜60分）およびイントラデイ（例：1〜24時間）の時間スケールにおける時間的依存性を統合的に扱う。
• リアルタイム入力処理を備えたエンドツーエンドのトレーニングパイプラインを採用し、動的予測を実現する。
• 特徴工学には、歴史的放射エネルギデータ、気象変数、時刻関連の特徴量を入力として用いる。
• 別々のモデルキャリブレーションを必要とせず、複数の時間スケールにわたる一括トレーニングと推論をサポートする。
• 性能評価にはRMSEを用い、同一のテストサイトとデータを用いて文献のベンチマークと比較する。

実験結果

リサーチクエスチョン

• RQ1 1つの深層学習モデルが、イントラアワーおよびイントラデイの両時間スケールにおいて太陽放射エネルギを効果的に予測できるか？
• RQ2 別々に最適化された各時間スケール向けのモデルと比較して、提案された包括的アーキテクチャの精度はどの程度優れているか？
• RQ3 米国各地の多様な地理的場所において、モデルの予測誤差はどの程度低減されるか？
• RQ4 動的入力更新に対応するリアルタイム予測が、運用上の送電網用途に適しているか？
• RQ5 複数時間スケールの統合が、全体の予測のロバスト性と信頼性にどのような影響を与えるか？

主な発見

• 提案されたモデルは、文献に報告された最良の機械学習手法と比較して、全テストサイトにおいて平均二乗誤差（RMSE）を71.5%低減した。
• 10か所にわたる地理的に分散した米国各地の施設において一貫した性能を示し、優れた一般化能力を示している。
• 別々の時間スケール用に最適化されたモデルと比較して、包括的アーキテクチャが優れた性能を発揮し、統合的マルチスケール学習の利点を実証した。
• 動的入力統合を可能とするリアルタイムで複数の時間スケールの予測が可能であり、運用上の送電網応用に適している。
• 複数のモデルを1つのスケーラブルなアーキテクチャに統合することで、計算コストおよび保守負荷を低減した。
• ケーススタディにより、変動する太陽放射エネルギ状態および気象変動下でも、モデルのロバスト性が確認された。