[論文レビュー] PVNet: A LRCN Architecture for Spatio-Temporal Photovoltaic PowerForecasting from Numerical Weather Prediction

Johan Mathe, Nina Miolane+2 more|arXiv (Cornell University)|Feb 4, 2019

Solar Radiation and Photovoltaics参考文献 26被引用数 17

ひとこと要約

PVNetは、ドイツ全域の集約的太陽光発電（PV）出力を予測するために、密な時空間的数値 weahter予測（NWP）と物理モデル出力を統合する長期再帰的畳み込みネットワーク（LRCN）を提案する。最先端モデルと比較して、正規化平均二乗誤差（nRMSE）を1.38%低減した。感度解析により、空間的に最も影響力のある要因は日射量と曇り雲カバレッジであることが判明した。

ABSTRACT

Photovoltaic (PV) power generation has emerged as one of the lead renewable energy sources. Yet, its production is characterized by high uncertainty, being dependent on weather conditions like solar irradiance and temperature. Predicting PV production, even in the 24-hour forecast, remains a challenge and leads energy providers to left idling - often carbon emitting - plants. In this paper, we introduce a Long-Term Recurrent Convolutional Network using Numerical Weather Predictions (NWP) to predict, in turn, PV production in the 24-hour and 48-hour forecast horizons. This network architecture fully leverages both temporal and spatial weather data, sampled over the whole geographical area of interest. We train our model on an NWP dataset from the National Oceanic and Atmospheric Administration (NOAA) to predict spatially aggregated PV production in Germany. We compare its performance to the persistence model and state-of-the-art methods.

研究の動機と目的

• 太陽放射と天候状態の高い変動性のため、依然として困難な24時間および48時間の時空間的太陽光発電出力予測を正確に行う挑戦に応えること。
• 数値気象予測（NWP）データの時間的・空間的次元を完全に活用する深層学習モデルを構築すること。点単位の気象変数処理ではなく、空間的連関を考慮すること。
• 統合されたアーキテクチャに密な空間的・時間的NWP入力を組み込むことで、パーシステンスモデルや最先端モデルを凌駕する予測精度を向上させること。
• オクルージョン感度解析を用いて、入力変数の空間的影響を可視化することで、モデルの解釈可能性を高めること。
• PVNetと感度解析を組み合わせることで、地理的地域における太陽光発電出力の表面密度を推定できることを実証すること。

提案手法

• モデルは、空間的特徴抽出に畳み込みニューラルネットワーク（CNN）を、時間的モデリングに再帰的ニューラルネットワーク（RNN）、特にLSTMを組み合わせた長期再帰的畳み込みネットワーク（LRCN）アーキテクチャを採用する。
• 入力データには、歴史的PV出力の1次元時系列と、ドイツ全域のNWP変数（例：日射量、気温、曇りカバレッジ）および物理モデル出力（例：クリアスカイ日射量）の2次元空間グリッドが含まれる。
• LRCNは、空間的NWPデータを畳み込み層で処理し、空間的パターンを抽出した後、その特徴量をLSTMに供給して時系列の依存関係をモデル化する。
• モデルは、24時間および48時間先のドイツ全域の空間的集約PV出力を予測するために、NOAAのNWPデータセットを用いて学習する。
• オクルージョン感度解析は、入力変数の空間的パッチをマスクし、予測出力の変化を測定することで、空間的影響を評価する。
• 結果は、ドイツの地理を重ねたヒートマップとして可視化され、各入力変数がPV予測に与える地理的影響を解釈する。

実験結果

リサーチクエスチョン

• RQ1 LRCNアーキテクチャは、PV発電予測のための数値気象予測（NWP）データの空間的・時間的構造を効果的にモデル化できるか？
• RQ2 密な空間的NWPおよび物理モデル入力を組み込むことで、点ベースまたは時間的のみのモデルと比較して、予測精度がどのように向上するか？
• RQ3 日射量、曇りカバレッジ、気温などの気象変数のうち、ドイツ全域でPV出力予測に最も強い空間的影響を及ぼすのはどれか？
• RQ4 オクルージョン感度解析により、モデルの入力変数への注目度の地理的パターンを意味的に明らかにできるか？
• RQ5 PVNetと感度解析を組み合わせることで、発電出力の空間的密度をどの程度正確に推定できるか？

主な発見

• PVNetは、国全体の集約的PV発電予測において、最先端モデルと比較して正規化平均二乗誤差（nRMSE）を1.38%低減した。
• オクルージョン感度解析により、日射量がPV予測に最も高い空間的影響を及ぼしていることが判明し、その後に曇りカバレッジ、クリアスカイ日射量、パーシステンス、気温の順に影響力が大きい。
• 感度マップでは、南部および東部ドイツでモデルの注目度が高くなる傾向が見られ、実際のPV出力密度の高い地域と一致しており、モデルの空間的推論能力が妥当であることを裏付けた。
• モデルは、入力気象変数とPV出力の間の場所依存関係を効果的に学習しており、単なる予測を超えた推論能力の向上を示している。
• 空間的NWPデータの統合は、予測性能を顕著に向上させ、点単位またはスパースな空間データよりも密な空間入力の価値を確認した。
• PVNetと感度解析を組み合わせることで、地域ごとの表面発電密度を推定可能となり、エネルギー計画立案者にとってPV潜在可能性を評価するための新たなツールを提供した。