[論文レビュー] Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context

Oussama Boussif, Ghait Boukachab+5 more|arXiv (Cornell University)|Jun 1, 2023

Solar Radiation and Photovoltaics被引用数 9

ひとこと要約

CrossViViT を紹介する、衛星の時空間コンテキストを歴史的時系列と融合して日次前の Global Horizontal Irradiance (GHI) を予測し、マルチクォンタイルヘッドを用いて予測不確実性を推定する多模マルTransformer アーキテクチャ。複数の測定所と分布外シナリオに渡って評価。

ABSTRACT

Solar power harbors immense potential in mitigating climate change by substantially reducing CO$_{2}$ emissions. Nonetheless, the inherent variability of solar irradiance poses a significant challenge for seamlessly integrating solar power into the electrical grid. While the majority of prior research has centered on employing purely time series-based methodologies for solar forecasting, only a limited number of studies have taken into account factors such as cloud cover or the surrounding physical context. In this paper, we put forth a deep learning architecture designed to harness spatio-temporal context using satellite data, to attain highly accurate extit{day-ahead} time-series forecasting for any given station, with a particular emphasis on forecasting Global Horizontal Irradiance (GHI). We also suggest a methodology to extract a distribution for each time step prediction, which can serve as a very valuable measure of uncertainty attached to the forecast. When evaluating models, we propose a testing scheme in which we separate particularly difficult examples from easy ones, in order to capture the model performances in crucial situations, which in the case of this study are the days suffering from varying cloudy conditions. Furthermore, we present a new multi-modal dataset gathering satellite imagery over a large zone and time series for solar irradiance and other related physical variables from multiple geographically diverse solar stations. Our approach exhibits robust performance in solar irradiance forecasting, including zero-shot generalization tests at unobserved solar stations, and holds great promise in promoting the effective integration of solar power into the grid.

研究の動機と目的

• 雲に起因する時空間的文脈を取り入れて日次前の GHI 予測の正確性を動機づける。
• 衛星画像と歴史的太陽データを融合する多模深層学習アーキテクチャを開発する。
• 各時刻の予測分布（不確実性）を抽出するメカニズムを提供する。
• 多様な測定所を跨ぐ衛星画像と太陽変数の多模長期データセットを作成する。
• 易しいケースと難しい雲影響ケースを分離して評価するテスト手法を提案する。

提案手法

• 過去の時系列と衛星コンテキストを個別のトランスフォーマとクロスアテンションで同時にエンコードし、将来予測のための統一潜在表現を構築する CrossViViT を提案する。
• ROtary Positional Encoding (ROPE) を用いてコンテキストパッチと時系列トークンの時空座標と相対位置をエンコードする。
• トレーニング時に過去の一部コンテキストをマスクして正則化を行い、コンテキストへの依存を促す。
• Transformer ベースのデコーダで将来の時系列予測をデコードする。
• Multi-Quantile ヘッドを用いて複数の分位点を予測する拡張を行い、各時刻に対して予測区間（例：0.02–0.98）を提供する。
• 衛星画像15年分（RSS）と6つの太陽能測定所、24時間の履歴を組み合わせた多模データセットを作成し、24時間先の GHI 予測に向けて DHI、DNI、クリアスカイ成分等の派生指標も含める。

実験結果

リサーチクエスチョン

• RQ1 衛星ベースの時空間文脈は個々の測定所での日次前 GHI 予測を時系列ベースのベースラインと比べて改善するか？
• RQ2 未知の測定所・年に対する CrossViViT のゼロショット予測はどうなるか？
• RQ3 マルチクォンタイル拡張は雲影響の変動に対する信頼できる予測区間を提供するか？
• RQ4 ROPE を用いた位置エンコーディングと学習済み埋め込みのアウトオブディストリビューション性能の影響はどうか？
• RQ5 易・難の雲シナリオを分割する専用テスト手法はモデルの長所と弱点をどう浮き彫りにするか？

主な発見

• CrossViViT は日次前の GHI 予測で堅牢な性能を示し、未観測の測定所へのゼロショット一般化を示す。
• マルチクォンタイル拡張は reasonably high interval coverage を備えた不確実性推定を提供する。
• RoPE はアウトオブディストリビューションの測定所や挑戦的(日照条件が悪い)日での性能向上に寄与する。
• 易しい雲シナリオと難しい雲シナリオを分離するテスト手法は雲の動きが放射照度に強く影響する難日でモデルの優位性を示す。
• 衛星画像と太陽辐射測定を組み合わせた14年間と6測定所の新しい多模データセットは、様々な条件で時空間予測モデルを検証するのに役立つ。