[論文レビュー] Solar Power Prediction Using Machine Learning

Et al. Rajasekaran Subramanian, M. Mithun Karthik+3 more|arXiv (Cornell University)|Mar 11, 2023

Energy Load and Power Forecasting被引用数 6

ひとこと要約

本論文では、気象、放射放射、歴史的発電量を統合した前処理済みデータを用いて、SVM、ランダムフォレスト、勾配ブースティングを用いた機械学習フレームワークを提案し、太陽光発電出力予測の高精度化を実現した。99%のAUCを達成し、リアルタイムのエネルギー管理システムと効率最適化における優れた性能を示した。

ABSTRACT

This paper presents a machine learning-based approach for predicting solar power generation with high accuracy using a 99% AUC (Area Under the Curve) metric. The approach includes data collection, pre-processing, feature selection, model selection, training, evaluation, and deployment. High-quality data from multiple sources, including weather data, solar irradiance data, and historical solar power generation data, are collected and pre-processed to remove outliers, handle missing values, and normalize the data. Relevant features such as temperature, humidity, wind speed, and solar irradiance are selected for model training. Support Vector Machines (SVM), Random Forest, and Gradient Boosting are used as machine learning algorithms to produce accurate predictions. The models are trained on a large dataset of historical solar power generation data and other relevant features. The performance of the models is evaluated using AUC and other metrics such as precision, recall, and F1-score. The trained machine learning models are then deployed in a production environment, where they can be used to make real-time predictions about solar power generation. The results show that the proposed approach achieves a 99% AUC for solar power generation prediction, which can help energy companies better manage their solar power systems, reduce costs, and improve energy efficiency.

研究の動機と目的

• エネルギー最適化を支援するための、正確な太陽光発電出力予測を実現する、堅牢な機械学習パイプラインの開発。
• 気象、放射放射、歴史的発電データを含む多様で高品質なデータソースを活用することで、太陽光発電の変動性に起因する課題に対処する。
• 太陽光発電予測のための複数の教師あり学習アルゴリズム（SVM、ランダムフォレスト、勾配ブースティング）の評価と比較。
• AUC、適合率、再現率、F1スコアといった標準的な指標を用いて、高いモデル性能を達成する。
• 生産環境にモデルをデプロイし、リアルタイムの太陽光発電出力予測を可能にする。

提案手法

• 気象、太陽放射、歴史的太陽光発電量を含む複数のデータソースから高品質なデータを収集・前処理し、外れ値除去、欠損値補完、データ正規化を実施した。
• モデルの汎化性能を向上させるために、気温、湿度、風速、太陽放射など関連する予測変数に焦点を当てた特徴量選択を実施した。
• 大規模な歴史的データセットを用いて、サポートベクターマシン（SVM）、ランダムフォレスト、勾配ブースティングの3つの教師あり機械学習モデルを訓練した。
• AUC（受信者操作特性曲線下の面積）、適合率、再現率、F1スコアといった複数の指標を用いて、モデルの性能を評価し、妥当性と信頼性を確保した。
• 最も優れた性能を示したモデルを生産環境にデプロイし、リアルタイムの太陽光発電出力予測を可能にした。
• 再現性と実用的デプロイメントの準備が整った標準化されたトレーニングおよび評価パイプラインを用いた。

実験結果

リサーチクエスチョン

• RQ1 多様なデータソースを統合した機械学習パイプラインは、高精度な太陽光発電予測を達成できるか？
• RQ2 SVM、ランダムフォレスト、勾配ブースティングといったアンサンブルおよびカーネルベースのモデルは、太陽光発電予測においてどのように比較されるか？
• RQ3 データ前処理および特徴量選択は、太陽光予測におけるモデル性能をどの程度向上させるか？
• RQ4 提案されたモデルは、実世界の太陽光発電予測タスクにおいて、高いAUCスコア（例：99%）を達成できるか？
• RQ5 生産環境にデプロイされた訓練済みモデルは、リアルタイム予測においてどの程度効果的か？

主な発見

• 提案された機械学習フレームワークは99%のAUCを達成し、太陽光発電出力予測における優れた識別能力を示した。
• 評価されたモデルの中で、最も優れた性能を示したアルゴリズム（明示的に特定されていない）は、適合率、再現率、F1スコアの各指標において優れた結果を示した。
• 外れ値除去、欠損値処理、正規化を含むデータ前処理ステップが、モデルの安定性と精度を顕著に向上させた。
• 気象および放射変数に焦点を当てた特徴量選択により、モデルの解釈可能性と予測性能が向上した。
• 訓練済みモデルは生産環境に正常にデプロイされ、リアルタイムの太陽光発電出力予測が可能になった。
• 高いAUCスコアは、運用コストの低減とグリッド効率の向上を図るためのエネルギー管理システムへの統合の強力な可能性を示している。