[論文レビュー] Forecasting Solar Power Generation on the basis of Predictive and Corrective Maintenance Activities

Soham Vyas, Yuvraj Goyal+5 more|arXiv (Cornell University)|May 17, 2022

Solar Radiation and Photovoltaics被引用数 8

ひとこと要約

本論文は、予測保全および是正保全のデータと気象変数を統合することで太陽光発電の予測精度を向上させる、新しい機械学習フレームワークを提案する。2012年から2020年までの1MW太陽光発電所のデータセットを用い、ハッシュマッピングおよび自然言語処理（NLP）技術を用いて非構造化された保守ログを構造化された特徴に変換し、相関および因果関係に基づく特徴選択により、予測精度を向上させた。

ABSTRACT

Solar energy forecasting has seen tremendous growth in the last decade using historical time series collected from a weather station, such as weather variables wind speed and direction, solar radiance, and temperature. It helps in the overall management of solar power plants. However, the solar power plant regularly requires preventive and corrective maintenance activities that further impact energy production. This paper presents a novel work for forecasting solar power energy production based on maintenance activities, problems observed at a power plant, and weather data. The results accomplished on the datasets obtained from the 1MW solar power plant of PDEU (our university) that has generated data set with 13 columns as daily entries from 2012 to 2020. There are 12 structured columns and one unstructured column with manual text entries about different maintenance activities, problems observed, and weather conditions daily. The unstructured column is used to create a new feature column vector using Hash Map, flag words, and stop words. The final dataset comprises five important feature vector columns based on correlation and causality analysis.

研究の動機と目的

• エネルギー出力に与える保守活動の影響を無視する太陽光発電予測のギャップを是正すること。
• 予測保全および是正保全のイベントが太陽光発電に与える影響をモデル化すること。
• 非構造化された保守ログから実用的なインサイトを抽出するための特徴工学パイプラインを開発すること。
• 気象データと保守イベントの特徴を組み合わせることで、予測精度を向上させること。

提案手法

• 著者らは、2012年から2020年までの期間をカバーする1MW太陽光発電所のデータセットを収集し、気象変数を含む13の日次カラムを有する。そのうち1つは保守ログの非構造化テキストカラムである。
• ハッシュマッピング、フラグ語、ストップワードフィルタリングを含む自然言語処理技術を適用し、非構造化された保守エントリを構造化された特徴ベクトルに変換した。
• 相関および因果関係分析に基づく特徴選択により、予測に最も関連性の高い5つの特徴ベクトルを同定した。
• 最終的なデータセットに気象変数と設計された保守特徴を組み合わせ、日次太陽光発電出力を予測するための機械学習モデルを訓練した。

実験結果

リサーチクエスチョン

• RQ1 予測保全および是正保全の活動は、日次太陽光発電出力にどのように影響を与えるか？
• RQ2 非構造化された保守ログを、発電予測に役立つ特徴に変換できる程度はどの程度か？
• RQ3 気象および保守特徴のどの組み合わせが予測精度を最も高めるか？
• RQ4 因果関係を考慮した特徴選択は、標準的な相関に基づく手法よりもモデルのパフォーマンスを向上させられるか？

主な発見

• 保守関連の特徴を統合したことで、気象データのみを用いたモデルと比較して、太陽光発電予測の精度が顕著に向上した。
• 特徴工学パイプラインは、ハッシュマッピングおよびNLP技術を用いて、非構造化された保守ログを定量的入力に成功して変換した。
• 相関および因果関係分析により、予測性能に最も寄与する5つの主要な特徴ベクトルが同定された。
• 最終モデルは、1MW太陽光発電所の実データを用いた実世界の環境でも、より高いロバスト性と予測能力を示した。