[論文レビュー] Forecasting Spatio-Temporal Renewable Scenarios: a Deep Generative Approach

Congmei Jiang, Yize Chen+3 more|arXiv (Cornell University)|Mar 13, 2019

Energy Load and Power Forecasting参考文献 26被引用数 7

ひとこと要約

本稿では、明示的な統計的仮定に依存せずに、時空間的再生可能エネルギーのシナリオを予測するための、改良された生成対抗ネットワーク（GAN）に基づく深層生成モデルを提案する。ポイント予測を活用し最適化問題を解くことで、複数の地点における時間的および空間的相関を保持する現実的で高精細なシナリオを生成する。実世界の風力および太陽光データセットにおいて、シナリオ数や予測期間に制限がない強力な性能を示している。

ABSTRACT

The operation and planning of large-scale power systems are becoming more challenging with the increasing penetration of stochastic renewable generation. In order to minimize the decision risks in power systems with large amount of renewable resources, there is a growing need to model the short-term generation uncertainty. By producing a group of possible future realizations for certain set of renewable generation plants, scenario approach has become one popular way for renewables uncertainty modeling. However, due to the complex spatial and temporal correlations underlying in renewable generations, traditional model-based approaches for forecasting future scenarios often require extensive knowledge, while fitted models are often hard to scale. To address such modeling burdens, we propose a learning-based, data-driven scenario forecasts method based on generative adversarial networks (GANs), which is a class of deep-learning generative algorithms used for modeling unknown distributions. We firstly utilize an improved GANs with convergence guarantees to learn the intrinsic patterns and model the unknown distributions of (multiple-site) renewable generation time-series. Then by solving an optimization problem, we are able to generate forecasted scenarios without any scenario number and forecasting horizon restrictions. Our method is totally model-free, and could forecast scenarios under different level of forecast uncertainties. Extensive numerical simulations using real-world data from NREL wind and solar integration datasets validate the performance of proposed method in forecasting both wind and solar power scenarios.

研究の動機と目的

• 不確実性下での再生可能エネルギー発電における複雑で高次元の時空間的相関をモデル化する課題に対処すること。
• 広範な分野知識を要し強い統計的仮定を必要とする従来のモデルベースのシナリオ生成手法の限界を克服すること。
• スケーラブルでデータ駆動的かつモデルフリーなアプローチを構築し、複数の地理的地点における風力および太陽光発電の将来のシナリオを現実的に生成すること。
• 任意の数のシナリオおよび予測期間に対して柔軟にシナリオを生成可能とし、電力系統計画における確率的最適化を支援すること。

提案手法

• 収束保証付きの改良型GANアーキテクチャを用いて、歴史的データから複数地点の再生可能エネルギー出力時系列の背後にあるデータ分布を学習する。
• 教師なし学習により、複数の場所および時間ステップにおける再生可能エネルギー出力の同時分布をモデル化する。
• 学習後、ポイント予測を入力として用いた制約付き最適化問題を解き、シナリオ数や予測期間に制限のない将来のシナリオを生成する。
• 最適化により、生成されたシナリオが予測された平均と整合的でありながら、実データに観察された内在的な時間的および空間的相関構造を保持することが保証される。
• フレームワークは即挿し可能であり、任意の市販のポイント予測モデルと互換性があり、既存の予測パイプラインへの統合が可能である。
• 空間的相関は、K×Tのデータ行列（K地点、Tタイムステップ）をGANに供給することで保持され、生成されたシナリオにおける現実的な地点間依存関係が保証される。

実験結果

リサーチクエスチョン

• RQ1 パrametric仮定に依存せずに、多地点の再生可能エネルギー発電における複雑な時空間的依存関係を深層生成モデルが的確に捉えることができるか？
• RQ2 GANベースのアプローチは、実際の歴史的データと比較して、生成されたシナリオにおける周辺分布、時間的自己相関、空間的相互相関をどの程度正確に保持できるか？
• RQ3 本手法は、アーキテクチャ的・計算的制約なしに、任意の数および予測期間の現実的シナリオを生成できるか？
• RQ4 既存のポイント予測モデルと統合可能で、電力系統運用における高品質で不確実性を反映したシナリオ予測を生成できるか？

主な発見

• 生成されたシナリオは、累積分布関数（CDF）の比較により、実際の風力および太陽光発電データの周辺分布を正確に保持していることが確認された。
• 生成されたシナリオの時間的相関は、実データと類似しており、自己相関プロットが歴史的パターンと一致していることが裏付けられた。
• 複数の風力発電所間の空間的相関が効果的に維持されており、生成されたシナリオの相互相関行列が測定データと密接に一致している。
• 本手法は、異なる予測区間における多様な統計的特性を持つシナリオを生成でき、不確実性レベルの変動に柔軟に対応していることが示された。
• 視覚的検証および定量的分析により、生成されたシナリオの動的挙動が、複数の風力発電所における実際の歴史的時系列と一貫していることが確認された。
• 本手法は、シナリオ数や予測期間に制限のない高精細なシナリオ生成を実現しており、確率的最適化におけるスケーラブルな利用を可能としている。