[論文レビュー] Short-Term Solar Irradiance Forecasting Using Calibrated Probabilistic Models

Eric Zelikman, Sharon Zhou+8 more|arXiv (Cornell University)|Oct 9, 2020

Solar Radiation and Photovoltaics参考文献 37被引用数 7

ひとこと要約

本稿では、短時間予測のための確率的太陽放射量予測に、CRUDE後処理補正を施したNGBoostを提案し、イントラアワー解像度で最先端の性能を達成するとともに、SURFRADデータを用いてアワー解像度でもNWPモデルと同等の結果を示した。この手法は補正精度と鋭さを向上させ、補正を施した木構造ベースのブースティングモデルが、従来のベンチマークおよびNWPモデルよりも主要な指標で優れていることを示している。

ABSTRACT

Advancing probabilistic solar forecasting methods is essential to supporting the integration of solar energy into the electricity grid. In this work, we develop a variety of state-of-the-art probabilistic models for forecasting solar irradiance. We investigate the use of post-hoc calibration techniques for ensuring well-calibrated probabilistic predictions. We train and evaluate the models using public data from seven stations in the SURFRAD network, and demonstrate that the best model, NGBoost, achieves higher performance at an intra-hourly resolution than the best benchmark solar irradiance forecasting model across all stations. Further, we show that NGBoost with CRUDE post-hoc calibration achieves comparable performance to a numerical weather prediction model on hourly-resolution forecasting.

研究の動機と目的

• 公開のSURFRADデータを用いて、短時間太陽放射量予測のための最先端の確率的モデルを開発・評価すること。
• 後処理補正技術が確率的太陽予測の信頼性と鋭さに与える影響を調査すること。
• NGBoostを含む最新の機械学習モデルの性能を、複数の米国駅において、従来のベンチマークおよびNWPモデルと比較すること。
• 補正を施した確率的モデルが、計算コストの高いNWPシステムを用いずに、アワー予測において同等の性能を達成できるかどうかを特定すること。

提案手法

• 研究では、測定された全水平放射量と地上外放射量の推定値から導出される曇り具合指数を目的変数として使用した。
• 4つの確率的モデルを訓練した：ガウス過程回帰、ドロップアウトニューラルネットワーク、変分ニューラルネットワーク、およびガウス出力分布を用いたNGBoost。
• 保持済みの2017年補正データセットを用いて、補正精度と鋭さを向上させるために、後処理補正法（CRUDE、Kuleshov、MLE）を適用した。
• NGBoostは自然勾配ブースティングを用いて過学習を低減し、一般化性能を向上させた。これは、任意の微分可能な事前分布をサポートできる点に起因する。
• モデルの性能は、7か所のSURFRAD駅における2018年テストデータを用いた連続ランク確率スコア（CRPS）および補正指標で評価した。
• 曇り具合指数を用いることで、時間系列の安定化とモデルの一般化性能の向上が図られ、決定論的な大気的および太陽的要因を考慮した。

実験結果

リサーチクエスチョン

• RQ1 NGBoostに後処理補正を施すことで、イントラアワー解像度の太陽放射量予測において、既存の確率的予測モデルを上回ることができるか？
• RQ2 後処理補正が、米国各地の多様な気候条件下で、確率的太陽予測の信頼性と鋭さを顕著に向上させるか？
• RQ3 アワー解像度において、NGBoostは数値 weahter予測（NWP）モデルと比較して、どの程度の予測精度を示すか？
• RQ4 補正を施した機械学習モデルは、計算コストの高いNWPシステムを用いずに、NWPモデルと同等の性能を達成できるか？
• RQ5 CRUDE、Kuleshov、MLEといった異なる補正技術が、最終的な予測品質に与える影響は何か？

主な発見

• NGBoostに後処理補正を施さない場合、全7か所のSURFRAD駅においてイントラアワー予測時間軸で、すべてのベンチマークモデルを上回り、最小のCRPSを達成した。
• NGBoostにCRUDE補正を施すことで、駅平均の補正誤差が0.040から0.031に低下し、信頼性が顕著に向上した。
• シウス・フラッツ（南ダコタ州）におけるNGBoostにCRUDE補正を施したCRPSは37.9であり、次に優れたモデル（CH-P）との比較で7.6%の改善を示した。
• アワー解像度において、NGBoostにCRUDE補正を施した場合、シウス・フラッツのCRPSは58.6を記録し、NWPモデル（58.8）を上回り、最良のNWPバージョンと同等の性能を示した。
• CRUDEおよびKuleshov補正は、補正精度を向上させたが、わずかに鋭さが低下した。CRUDEは平均で補正誤差を22.5%低減した。
• 本研究では、NGBoostに後処理補正を施すことで、アワー予測においてNWPモデルと同等の性能を達成できることを示した。これは、従来のNWPシステムに比べて計算コストが低い代替手段である可能性を示している。