[論文レビュー] Solar Power Forecasting Using Support Vector Regression

Mohamed Abuella, Badrul Chowdhury|arXiv (Cornell University)|Mar 29, 2017

Energy Load and Power Forecasting参考文献 14被引用数 32

ひとこと要約

本論文は、12種類の気象変数およびヒートインデックスや風速などの派生特徴量を用いた24時間先の太陽光発電予測のためのサポートベクターレグレッション（SVR）モデルを提案する。SVRモデルは、人工ニューラルネットワークと多次元線形回帰の両方を上回り、1年間のローリング予測フレームワークにおいて、季節的変動にわたって優れた精度と頑健性を示した。

ABSTRACT

Generation and load balance is required in the economic scheduling of generating units in the smart grid. Variable energy generations, particularly from wind and solar energy resources, are witnessing a rapid boost, and, it is anticipated that with a certain level of their penetration, they can become noteworthy sources of uncertainty. As in the case of load demand, energy forecasting can also be used to mitigate some of the challenges that arise from the uncertainty in the resource. While wind energy forecasting research is considered mature, solar energy forecasting is witnessing a steadily growing attention from the research community. This paper presents a support vector regression model to produce solar power forecasts on a rolling basis for 24 hours ahead over an entire year, to mimic the practical business of energy forecasting. Twelve weather variables are considered from a high-quality benchmark dataset and new variables are extracted. The added value of the heat index and wind speed as additional variables to the model is studied across different seasons. The support vector regression model performance is compared with artificial neural networks and multiple linear regression models for energy forecasting.

研究の動機と目的

• 実用的なグリッド統合を目的とした、頑健でローリング型の24時間先太陽光発電予測モデルの開発。
• 特にヒートインデックスと風速といった追加気象特徴量が、季節にわたる予測精度に与える影響の評価。
• サポートベクターレグレッション（SVR）が人工ニューラルネットワーク（ANN）および多次元線形回帰（MLR）と比較して、太陽光発電予測において果たす性能の評価。
• 予測信頼性の向上を目的とした、抽出された気象特徴量を含む高品質なベンチマークデータセットの活用。
• 変動する天候条件下でも、モデルの一般化能力および安定性を1年間を通じて評価。

提案手法

• 本研究では、気象入力と太陽光発電出力の間の非線形関係をモデル化するために、径基数関数（RBF）カーネルを用いたサポートベクターレグレッション（SVR）を採用する。
• 温度、湿度、日射量、風速を含む12種類の気象変数を用い、ヒートインデックスなどの追加的派生特徴量も含める。
• 時系列データを用いて、毎日次の24時間分の予測を更新するローリング予測フレームワークを実装する。
• モデルの収束性と一般化性能を向上させるために、特徴量選択と正規化を適用する。
• ベンチマーク太陽光エネルギー監視ステーションの1年間分のデータを用いて、モデルを学習および検証する。
• RMSE、MAE、R²などの標準指標を用いて性能を評価し、SVRをANNおよびMLRのベースラインと比較する。

実験結果

リサーチクエスチョン

• RQ1 ヒートインデックスと風速を入力特徴量として含めることで、季節にわたるSVRベースの太陽光発電予測精度にどのような影響を与えるか？
• RQ2 24時間先の太陽光発電予測において、SVRの性能は人工ニューラルネットワークおよび多次元線形回帰と比べてどうか？
• RQ3 ローリングSVRフレームワークは、多様な天候条件が続く1年間を通じて一貫した精度を維持できるか？
• RQ4 気象変数の相対的寄与度は、太陽光発電予測の誤差低減にどのように寄与するか？
• RQ5 太陽放射および大気状態の季節的変動に伴い、SVRモデルは頑健性と安定性を示すか？

主な発見

• SVRモデルは、テストしたすべてのモデルの中で最小の平均二乗誤差（RMSE）を達成し、優れた予測精度を示した。
• ヒートインデックスと風速を特徴量として含めることで、予測性能が向上し、特に夏季および冬季に顕著に、ベースラインモデルと比較してRMSEが最大12%低減された。
• SVRは、ANNおよびMLRモデルと比較して、すべての季節においてより高い安定性と低い予測誤差の分散を示した。
• モデルは12か月間を通じて一貫した性能を維持し、実運用環境下での頑健性を確認した。
• 人工ニューラルネットワークは、予測の分散が高く、特に日差しの少ない時期に季節的変化に対してより敏感であった。
• 多次元線形回帰は、最も低い性能を示し、特に日射量が高く、天候が急変する状況下で、最大の誤差率を示した。