[論文レビュー] Evaluation of Time-Series, Regression and Neural Network Models for Solar Forecasting: Part I: One-Hour Horizon

Alireza Inanlougani, T. Agami Reddy+1 more|arXiv (Cornell University)|Aug 22, 2017

Solar Radiation and Photovoltaics参考文献 24被引用数 3

ひとこと要約

本研究では、気候が異なる3つの米国都市における1時間先の日射量予測のため、時系列モデル、回帰モデル、ニューラルネットワークモデルを評価した。月次スケーリングと雲量を誘導変数として用いたLMX2モデルは、従来のARIMAモデルやベースラインモデルを上回ったが、人工ニューラルネットワーク（ANN）が最も高い精度を示し、1時間先の短期日射量予測においてANNが最も効果的な手法であることが明らかになった。

ABSTRACT

The need to forecast solar irradiation at a specific location over short-time horizons has acquired immense importance. In this paper, we report on analyses results involving statistical and machine learning techniques to predict hourly horizontal solar irradiation at one-hour ahead horizon using data sets from three different cities in the U.S. with different climatic conditions. A simple forecast approach that assumes consecutive days are identical serves as a baseline model against which to compare competing forecast alternatives. One approach is to use seasonal ARIMA models. Surprisingly, such models are found to be poorer than the simple forecast. To account for seasonal variability and capture short-term fluctuations, cloud cover is an obvious variable to consider. Monthly models with cloud cover as regressor were found to outperform the simple forecast model. More sophisticated lagged moving average (LMX) models were also evaluated, and one of the variants, LMX2, identified at monthly time scales, proved to be the best choice. Finally, the LMX2 model is compared against artificial neural network (ANN) models and the latter proved to be more accurate. The companion paper will present algorithms and results of how such models can be used for 4-hr rolling horizon and 24-hr ahead forecasting.

研究の動機と目的

• 1時間先の日射量予測における統計的・回帰ベースの機械学習モデルの比較を目的とする。
• 季節的ARIMA、ラグ付き移動平均（LMX）、および人工ニューラルネットワーク（ANN）モデルの性能を、異なる気候条件下で評価すること。
• 雲量を誘導変数として組み込むことで、予測精度が向上するかを評価すること。
• 1時間先の短期日射量予測において、最も正確なモデルアーキテクチャを同定すること。
• 同じ連続する日を仮定する単純な予測モデルを用いてベンチマークを確立すること。

提案手法

• ベースライン予測モデルは、ある日における日射量が直前の日と同一であると仮定する。
• 季節的ARIMAモデルを用いて、日射量データの時間的パターンと季節性を捉える。
• 雲量を予測変数として組み込んだ月次回帰モデルを開発し、季節的および短期的変動を反映させる。
• ラグ付き移動平均（LMX）モデル、特にLMX2を月次スケールで評価し、予測精度を向上させる。
• 人工ニューラルネットワーク（ANN）モデルは、歴史的日射量および雲量データを用いて学習および検証した。
• 3つの異なる気候条件を有する米国都市で、標準的な指標（RMSEおよびMAE）を用いてモデルの性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 季節的ARIMAモデルは、1時間先の日射量予測において単純なベースライン予測と比べてどのように異なるか？
• RQ2 雲量を誘導変数として組み込むことで、月次回帰モデルの予測精度が向上するか？
• RQ3 LMXモデルアーキテクチャのどの変種が1時間先の日射量予測において最高のパフォーマンスを示すか？
• RQ4 この予測タスクにおいて、人工ニューラルネットワークの性能は、従来の統計的および回帰モデルと比べてどう異なるか？
• RQ5 異なる米国都市における気候変動の相対的影響は、モデルのパフォーマンスにどのように作用するか？

主な発見

• 同じ連続する日を仮定する単純なベースラインモデルが、季節的ARIMAモデルを上回った。これは、ARIMAモデルがこの時間スケールにおける日射量ダイナミクスを十分に捉えていないことを示唆している。
• 雲量を誘導変数として組み込んだ月次回帰モデルは、ベースラインモデルよりも顕著に予測精度が向上した。
• 月次スケールで最適化されたLMX2モデルは、従来の統計モデルの中で最高のパフォーマンスを示した。
• 人工ニューラルネットワーク（ANN）は、LMX2を含む他のすべてのモデルと比較して、1時間先の日射量予測において優れた精度を示した。
• LMX2モデルは統計モデルの中で最高のパフォーマンスを示したが、ANNはすべてのテスト地域で最高の予測精度を達成した。