[論文レビュー] Convolutional Neural Networks Applied to Sky Images for Short-Term Solar Irradiance Forecasting

Quentin Paletta, Joan Lasenby|arXiv (Cornell University)|Jan 1, 2020

Solar Radiation and Photovoltaics参考文献 1被引用数 4

ひとこと要約

本研究では、パリ＝ソール＝オルセイ（フランス）で2018年2月から9月にかけてフィッシュアイカメラで2分間隔で撮影された地上からの空の画像の系列に畳み込みニューラルネットワーク（CNN）を適用し、太陽放射量を最大20分先まで予測する。MSEベースの評価を用いた10分先予測のスキルスコアは40%に達した。モデルはパーシステンスベースラインを上回り、同じ日付の歴史的データを組み込むことで性能が10%向上することを示しており、短期的放射量予測において時間的文脈の重要性が浮き彫りになった。

ABSTRACT

Despite considerable advances in the estimation of the solar resource, there is still a need for better solar forecasting to improve its integration into the energy supply. Fish-eye cameras are emerging in-situ meteorological sensors that have already demonstrated promising and interesting results for high temporal resolution and very short-term solar forecasting. However, current approaches to model the cloud cover dynamics from sky images still lack precision regarding the spatial configuration of clouds, their temporal dynamics and their physical interaction with solar radiation. The work described here aims at bringing innovative insights via a novel approach to irradiance forecasting using the Deep Learning framework, which constitutes an effective environment for a richer modelling of the cloud cover and its dynamics. The study shows that Convolutional Neural Networks (CNNs) are able to successfully estimate future irradiance from a sequence of past images of the sky. The corresponding 10-min forecast skill based on the Mean Square Error reaches 40% when evaluated on a set of 4000 unseen samples and shows an additional 10% performance improvement on the skill score, when past data of the same day are used to train the model. This outlines the need to incorporate historical data of the day in short term forecasting.

研究の動機と目的

• 太陽エネルギーを電力系統に効果的に統合するため、短期的な太陽放射量予測を向上させること。
• 特に空間的雲配置と時間的ダイナミクスの面で限界を示す現在の空の画像に基づく予測手法の課題に取り組むこと。
• 従来の統計的またはパーシステンスモデルよりも、複雑な雲のパターンとその放射的効果をより正確にモデル化できる深層学習を活用すること。
• トレーニング時に同じ日の歴史的空の画像を用いることで、短期予測の精度がどのように向上するかを調査すること。
• フィルターや活性化マップによる可視化により、ネットワークが予測にどのパターンを利用しているかを理解できるように、モデルの解釈性を高めること。

提案手法

• 2018年2月から9月にかけてフランス・パリ＝ソール＝オルセイでフィッシュアイカメラで2分間隔で撮影された空の画像の系列を用いてトレーニングした深層CNNアーキテクチャを活用する。
• 太陽位置（方位角と高度）および太陽角度のサイン・コサイン変換に加え、現場測定のパイラノメータ測定値などの補助データを入力特徴量として統合する。
• 教師あり学習によりエンドツーエンドのモデルをトレーニングし、ターゲットは10分、15分、20分先の将来の水平全球放射量（GHI）とする。
• スマートパーシステンスモデル（最近のクリアスキーインデックスを用いる）に基づくMSEに対する相対的スキルスコアを指標として採用する。
• 勾配上昇法を用いてランダムノイズ入力を用いてフィルタービジュアライゼーション技術を実装し、フィルタ応答を最大化する刺激を生成することで、学習された特徴の解釈を可能にする。
• 中間活性化の可視化を実施し、どの空の画像領域が特徴学習に最も寄与しているかを評価するとともに、冗長または非活性なフィルタを同定する。

実験結果

リサーチクエスチョン

• RQ1 畳み込みニューラルネットワークは、パーシステンスモデルを超える短期的太陽放射量予測のため、空の画像から空間的・時間的パターンを効果的に抽出できるか？
• RQ2 トレーニング時に同じ日の歴史的空の画像を用いることで、異なる日付のデータでトレーニングした場合と比較して、予測精度がどのように向上するか？
• RQ3 CNNのフィルタはどのような雲のパターンや空の特徴を検出するよう学習しており、ネットワークの深さに応じてその特徴はどのように変化するか？
• RQ4 フィルタービジュアライゼーションや活性化マッピングといった可視化解釈手法により、学習された特徴の物理的関連性がどの程度明らかにできるか？
• RQ5 過去の研究が低下を示唆しているのとは対照的に、予測ウィンドウが長くなるにつれてCNNモデルの予測スキルが向上するのか、それとも低下するのか？

主な発見

• CNNモデルは、スマートパーシステンスベースラインを用いたMSEベースの評価において、10分先の予測で40%のスキルスコアを達成し、単純なパーシステンス予測を著しく上回ることを示した。
• トレーニングとバリデーションに同じ日付のデータを用いる（具体的には、午前のサンプルをトレーニング、午後のサンプルをバリデーションに使用）ことで、10分先の予測スキルスコアが約10%向上し、0.40から0.44に上昇した。
• モデルは太陽、遠方の空、雲のパターンといった関連する空の特徴を学習しており、深層畳み込み層では、希薄で密集した構造を含む複雑な雲カバー構造に対しても反応している。
• フィルタービジュアライゼーションにより、初期層では抽象的で低レベルのパターンを学習しているのに対し、深層層ではより複雑な雲の配置を検出していることが明らかになり、階層的特徴学習が行われていることが示された。
• 以前の研究とは対照的に、予測ウィンドウが長くなるとスキルスコアが低下しない。むしろ12分先のウィンドウ以降で安定化（プラトー）し、2～20分の範囲で安定した性能を示した。
• 中間活性化解析により、最初の畳み込み層の60個のフィルタのすべてが有効に使われているわけではないことが判明。性能に損なわれることなくフィルタ数を32に削減することで、モデルの簡素化が可能になり、効率性が向上し、過学習のリスクも低下した。