[論文レビュー] Computational Solar Energy -- Ensemble Learning Methods for Prediction of Solar Power Generation based on Meteorological Parameters in Eastern India

Debojyoti Chakraborty, Jayeeta Mondal+2 more|arXiv (Cornell University)|Jan 21, 2023

Energy Load and Power Forecasting参考文献 48被引用数 4

ひとこと要約

本研究では、気象データを用いてインド東部における太陽光発電（PV）発電量を予測するためのアンサンブル機械学習フレームワークを提案する。実世界の10kWp太陽光PVデータセットにバギング、ブースティング、スタッキング、ボーティングモデルを適用することで、最高で96％の予測精度を達成した。スタッキングおよびボーティングモデルは、大規模な太陽光エネルギー予測において優れた性能を示した。

ABSTRACT

The challenges in applications of solar energy lies in its intermittency and dependency on meteorological parameters such as; solar radiation, ambient temperature, rainfall, wind-speed etc., and many other physical parameters like dust accumulation etc. Hence, it is important to estimate the amount of solar photovoltaic (PV) power generation for a specific geographical location. Machine learning (ML) models have gained importance and are widely used for prediction of solar power plant performance. In this paper, the impact of weather parameters on solar PV power generation is estimated by several Ensemble ML (EML) models like Bagging, Boosting, Stacking, and Voting for the first time. The performance of chosen ML algorithms is validated by field dataset of a 10kWp solar PV power plant in Eastern India region. Furthermore, a complete test-bed framework has been designed for data mining as well as to select appropriate learning models. It also supports feature selection and reduction for dataset to reduce space and time complexity of the learning models. The results demonstrate greater prediction accuracy of around 96% for Stacking and Voting EML models. The proposed work is a generalized one and can be very useful for predicting the performance of large-scale solar PV power plants also.

研究の動機と目的

• 太陽光エネルギーの不安定さと変動性に対処し、発電量の予測精度を向上させること。
• 気象パラメータに基づく太陽光発電予測において、複数のアンサンブル機械学習手法の有効性を評価すること。
• 計算効率を最適化するためのデータ前処理、特徴量選択、モデル評価のためのテストベッドフレームワークを構築すること。
• 類似した気候地域の大規模な太陽光PV発電所に適用可能な汎用的でスケーラブルなソリューションを提供すること。
• インド東部の10kWp太陽光PVプラントから得た実際の現地データを用いて、モデルの性能を検証すること。

提案手法

• 本研究では、予測の頑健性を向上させるために、バギング、ブースティング、スタッキング、ボーティングの4つのアンサンブル学習手法を採用する。
• モデルの複雑さを低減するためのデータマイニング、特徴量選択、次元削減を支援する包括的なテストベッドフレームワークを設計する。
• 太陽放射、環境温度、風速、降水量などの気象パラメータを入力特徴量として使用する。
• データセットは、インド東部に位置する実際の10kWp太陽光PV発電所から得られ、現実世界の関連性を保証する。
• モデルの性能は、標準的な回帰指標を用いて評価され、主な評価基準として精度が報告される。
• 予測力の維持を前提に、空間的・時間的複雑度の低減のための特徴量選択技術が適用される。

実験結果

リサーチクエスチョン

• RQ1 気象データを用いた太陽光PV発電量の予測において、異なるアンサンブル学習モデルの性能はどのように比較されるか？
• RQ2 特徴量選択および次元削減は、モデルの精度と計算効率にどのような影響を与えるか？
• RQ3 モンスーンや天候が変動しやすい地域、例えばインド東部のような地域において、アンサンブル手法は高精度な太陽光発電予測を達成できるか？
• RQ4 スタッキングとボーティングのどちらのアンサンブルモデルが、太陽光PV出力の予測精度を最も高めるか？
• RQ5 提案されたフレームワークは、大規模な太陽光PV発電所の性能予測にどの程度一般化可能か？

主な発見

• スタッキングおよびボーティングのアンサンブルモデルが、約96％の最高予測精度を達成した。
• 提案されたテストベッドフレームワークは、効果的な特徴量選択と次元削減により、空間的・時間的複雑度の両方を成功裏に低減した。
• 太陽放射、環境温度、風速、降水量などの気象パラメータは、太陽光PV発電量に顕著な影響を与える。
• アンサンブル学習手法は、頑健性と予測精度の面で個々のモデルを上回った。
• フレームワークはスケーラブルかつ一般化可能であり、大規模な太陽光PV発電所への導入に適している。
• 結果から、複雑で変動の激しい天候条件が特徴の地域においても、アンサンブルモデルが太陽光発電予測に極めて効果的であることが示された。