[論文レビュー] Predictability of PV Power Grid Performance on Insular Sites without Weather Stations: Use of Artificial Neural Networks

Cyril Voyant, Marc Muselli+4 more|arXiv (Cornell University)|Jan 1, 2009

Solar Radiation and Photovoltaics参考文献 7被引用数 12

ひとこと要約

本研究では、コルシカ島の阿賀西オ（Ajaccio）で取得された長期にわたる全球水平日射量データを用いて訓練された人工ニューラルネットワーク（ANN）を用いた転移学習手法を提案する。この手法により、気象観測所のない周辺地域の太陽光発電性能を予測可能となる。16年分の時間分解能1時間・1日単位のデータを用いた1か所の良好に装備された観測地点（Ajaccio）のデータを活用し、距離10 km離れた地点（Bastia：沿岸部、Corte：山岳部）に対しても、特に1時間予測および太陽光発電出力推定において、恒常モデル（persistence model）と比較して顕著に低い誤差を達成した。

ABSTRACT

The official meteorological network is poor on the island of Corsica: only three sites being about 50 km apart are equipped with pyranometers which enable measurements by hourly and daily step. These sites are Ajaccio (41°55’N and 8°48’E, seaside), Bastia (42°33’N, 9°29’E, seaside) and Corte (42°30’N, 9°15’E average altitude of 486 meters). This lack of weather station makes difficult the predictability of PV power grid performance. This work intends to study a methodology which can predict global solar irradiation using data available from another location for daily and hourly horizon. In order to achieve this prediction, we have used Artificial Neural Network which is a popular artificial intelligence technique in the forecasting domain. A simulator has been obtained using data available for the station of Ajaccio that is the only station for which we have a lot of data: 16 years from 1972 to 1987. Then we have tested the efficiency of this simulator in two places with different geographical features: Corte, a mountainous region and Bastia, a coastal region. On daily horizon, the relocation has implied fewer errors than a “naïve” prediction method based on the persistence (RMSE=1468 Vs 1383Wh/m² to Bastia and 1325 Vs 1213Wh/m² to Corte). On hourly case, the results were still satisfactory, and widely better than persistence (RMSE=138.8 Vs 109.3 Wh/m² to Bastia and 135.1 Vs 114.7 Wh/m² to Corte). The last experiment was to evaluate the accuracy of our simulator on a PV power grid localized at 10 km from the station of Ajaccio. We got errors very suitable (nRMSE=27.9%, RMSE=99.0 W.h) compared to those obtained with the persistence (nRMSE=42.2%, RMSE=149.7 W.h).

研究の動機と目的

• 島嶼部に広がる気象観測所ネットワークが乏しい地域における日射量測定の不足に対処すること。
• 歴史的データが欠落している場所における日射量予測のための転移学習手法の開発。
• アジャキオ（Ajaccio）で訓練したANNが、地理的に異なる場所（バスティアとコルテ）における日射量予測にどの程度有効であるかを評価すること。
• 近隣のグリッド接続型システムにおける実際のPV発電出力予測の精度を評価すること。
• 1つのデータ豊富な地点のデータを活用して、多様なマイクロクライメートを有する地域における太陽光エネルギー計画の実現可能性を示すこと。

提案手法

• 1972年から1987年までの16年間分のアジャキオの時間分解能1時間・1日単位の全球水平日射量データを用いて、マルチレイヤーパーセプトロン（MLP）ANNを訓練した。
• 訓練に80%、テストに20%のデータを割り当て、入力層に8ニューロン（過去8時間ステップ分）を、出力層に1ニューロン（次ステップ予測）を設定した。
• 日射量の年間および日周波動を除去するために、日射量を地上外日射量および太陽高度（sin(θ)）で除算することで、データの定常化処理を実施した。
• 訓練済みのANNを、コルテ（山岳部）およびバスティア（沿岸部）に再配置し、アジャキオで訓練したモデルのみを用いて日射量を予測した。
• アジャキオから10 km離れた場所に設置された6.525 kWのPVシステムの実測データと比較して、線形PV効率モデル（ηPV = 13%）を用いて予測値を検証した。
• RMSE、nRMSE、相関係数（CC）を用いて性能を評価し、恒常モデルとの比較も行った。

実験結果

リサーチクエスチョン

• RQ1 1つの地点で長期にわたる日射量データを用いて訓練したANNが、現地測定データのない別の地点における日射量を正確に予測できるか？
• RQ2 転移学習を適用したANNの性能は、日次および時間単位の日射量予測において、恒常モデルと比較してどの程度優れているか？
• RQ3 訓練地点（アジャキオ）とは異なるマイクロクライメート（沿岸部のバスティア、山岳部のコルテ）においても、モデルの精度は維持されるか？
• RQ4 1つのANNを1か所の地点で訓練した場合、近隣のグリッド接続型システムにおける実際のPV発電出力予測にどの程度の精度で対応できるか？
• RQ5 アジャキオの極値を用いた正規化処理が、日射量範囲が異なる地点に応用された場合、予測精度にどのような影響を及えるか？

主な発見

• 1時間予測において、転移学習を適用したANNはバスティアでRMSE = 109.3 Wh/m²、コルテでRMSE = 114.7 Wh/m²を達成し、恒常モデル（RMSE = 138.8および135.1 Wh/m²）と比較して顕著に低い誤差を示した。
• 日次予測において、ANNはバスティアでRMSEを1383 Wh/m²まで低下（恒常モデル：1468 Wh/m²）、コルテで1213 Wh/m²（恒常モデル：1325 Wh/m²）まで改善した。
• 10 km離れた地点のPV発電出力予測において、nRMSEは27.9%、RMSEは99.0 Whにまで低下し、恒常モデル（nRMSE = 42.2%、RMSE = 149.7 Wh）を上回る性能を示した。
• 実測データとの相関係数（CC > 0.84）が高く、再配置後も時間的パターンを的確に捉えていることが示された。
• バスティアでは、アジャキオの日射量極値を用いた正規化処理の影響により、低日射量の過剰予測と高日射量の低予測が観察された。これは、異なる地域間での正規化処理の限界を示している。
• 結果から、アジャキオ、コルテ、バスティアの間には隠れた気候的相関関係が存在することが示唆され、多様な地形にわたり日射量予測の転送が可能であることが明らかになった。