[論文レビュー] MATNet: Multi-Level Fusion Transformer-Based Model for Day-Ahead PV Generation Forecasting

Matteo Tortora, Francesco Conte+2 more|arXiv (Cornell University)|Jun 17, 2023

Solar Radiation and PhotovoltaicsComputer Science被引用数 3

ひとこと要約

MATNetは、過去のPV発電量、過去の気象データ、および気象予報データを統合することで、1日先の多段階の太陽光発電予測を改善する、新しいマルチレベル統合トランスフォーマー・アーキテクチャを提案する。自己注意メカニズムと階層的統合を活用することで、AusgridベンチマークデータセットにおいてRMSE 0.0460を達成し、最先端の性能を実現した。

ABSTRACT

Accurate forecasting of renewable generation is crucial to facilitate the integration of RES into the power system. Focusing on PV units, forecasting methods can be divided into two main categories: physics-based and data-based strategies, with AI-based models providing state-of-the-art performance. However, while these AI-based models can capture complex patterns and relationships in the data, they ignore the underlying physical prior knowledge of the phenomenon. Therefore, in this paper we propose MATNet, a novel self-attention transformer-based architecture for multivariate multi-step day-ahead PV power generation forecasting. It consists of a hybrid approach that combines the AI paradigm with the prior physical knowledge of PV power generation of physics-based methods. The model is fed with historical PV data and historical and forecast weather data through a multi-level joint fusion approach. The effectiveness of the proposed model is evaluated using the Ausgrid benchmark dataset with different regression performance metrics. The results show that our proposed architecture significantly outperforms the current state-of-the-art methods. These findings demonstrate the potential of MATNet in improving forecasting accuracy and suggest that it could be a promising solution to facilitate the integration of PV energy into the power grid.

研究の動機と目的

• 太陽エネルギーの本質的な不規則性と不確実性に直面する中で、正確な1日先の太陽光発電予測を実現すること。
• マルチモーダルなデータ統合を通じて物理的事前知識を組み込むことで、データ駆動型AIモデルと物理ベースの予測の間のギャップを埋めること。
• 複数の抽象化レベルで、過去のPVデータ、過去の気象、および将来の気象予報を同時にモデル化することで、予測精度を向上させること。
• 家庭用およびグリッドスケールのPV統合に適した、堅牢で解釈可能でスケーラブルなソリューションを開発すること。

提案手法

• MATNetは、多次元時系列データにおける長距離時系列依存性をモデル化するために、自己注意に基づくトランスフォーマー・アーキテクチャを採用する。
• PV発電量、過去の気象、気象予報入力を、異なる抽象化レベルで統合するマルチレベル共同統合メカニズムを実装し、時間的および意味的関係を保持する。
• 各入力モダリティ（PV、過去の気象、予報気象）に別々のエンコーダーを設け、クロスアテンションによるラテント・フェージングを介してモダリティ間の動的相互作用を可能にする。
• 統合戦略により、モデルが入力を適応的に重み付けでき、特に悪天候時には気象予報の重要性を高める。
• アーキテクチャは、Ausgridデータセット上で回帰損失関数（MSE、RMSE、MAE、WMAPE、MASE）を用いてエンドツーエンドで訓練される。
• アブレーションスタディにより、3つの入力モダリティすべての必要性が確認され、完全なモデルは、単一モダリティまたは部分入力バージョンよりも顕著に優れた性能を示した。

実験結果

リサーチクエスチョン

• RQ1 過去のPVデータ、過去の気象、および将来の気象予報を統合するトランスフォーマー基盤モデルが、最先端の手法と比較して優れた予測精度を達成できるか？
• RQ2 PVまたは過去の気象データのみを用いる場合と比較して、気象予報の導入が予測性能に与える影響は何か？
• RQ3 異なる時間的スパンを持つ異種時系列入力を太陽光発電予測において最適に統合する戦略は何か？
• RQ4 特に予測の不確実性が高まる状況下で、モデルの性能はいかがなっているか？
• RQ5 予報の信頼性に基づいて、各入力モダリティの寄与度を動的に調整することで、モデルの堅牢性を向上させられるか？

主な発見

• MATNetは、AusgridベンチマークデータセットでRMSE 0.0460を達成し、現在の最先端手法を顕著に上回った。
• PV、過去の気象、予報気象の3つの入力モダリティをすべて含む完全なモデルが最良の性能を示し、Diebold-Mariano検定による統計的有意性（p < 0.01）が確認された。
• 最も優れた単一モダリティ設定は、気象予報のみを用いたものであり、予測精度におけるその重要性を強調している。
• マルチレベル統合メカニズムにより、効果的なモダリティ間アテンションが実現され、複雑な非線形依存性を捉える能力が向上した。
• アブレーションスタディにより、3つのデータソースの共同統合が、個別的または部分的な入力組み合わせよりも顕著な性能向上をもたらすことが確認された。
• モデルは多様な天候条件下でも堅牢であることが示され、適応的統合および解釈可能AIの統合によりさらなる改善が可能である。