[論文レビュー] Solar radiation forecasting using ad-hoc time series preprocessing and neural networks

Christophe Paoli, Cyril Voyant+2 more|ArXiv.org|Jun 1, 2009

Solar Radiation and Photovoltaics参考文献 9被引用数 6

ひとこと要約

本論文では、臨床的時間系列前処理とマルチレイヤーパーセプトロン（MLP）ニューラルネットワークを用いた、水平面における日平均全球日射量予測のための新規手法を提案する。この手法は、nRMSE < 21% および RMSE < 998 Wh/m² を達成し、ARIMA、ベイズ推論、マルコフ連鎖、k-NN近似器といった従来手法を上回る性能を示しており、前処理が予測誤差を顕著に低減していることが明らかになった。

ABSTRACT

In this paper, we present an application of neural networks in the renewable energy domain. We have developed a methodology for the daily prediction of global solar radiation on a horizontal surface. We use an ad-hoc time series preprocessing and a Multi-Layer Perceptron (MLP) in order to predict solar radiation at daily horizon. First results are promising with nRMSE &lt; 21% and RMSE &lt; 998 Wh/m2. Our optimized MLP presents prediction similar to or even better than conventional methods such as ARIMA techniques, Bayesian inference, Markov chains and k-Nearest-Neighbors approximators. Moreover we found that our data preprocessing approach can reduce significantly forecasting errors.

研究の動機と目的

• 機械学習を用いて水平面における日平均全球日射量予測のための堅牢な手法を開発すること。
• 日射量データに特化したカスタム時間系列前処理戦略を設計することで、予測精度を向上させること。
• マルチレイヤーパーセプトロン（MLP）の性能を、従来の統計的および確率的予測手法と比較して評価すること。
• 前処理が日射量予測の誤差を顕著に低減させることを実証すること。
• 従来のモデルに代わるデータ駆動型の代替手法を提供し、より優れた汎化能力と適応性を有すること。

提案手法

• 歴史的全球日射量データに、臨床的時間系列前処理パイプラインを適用し、時間的パターンを強化するとともにノイズを低減する。
• 前処理済みデータを、日次予測を目的としたマルチレイヤーパーセプトロン（MLP）ニューラルネットワークに供給する。
• 一般化性能と予測精度を向上させるために、MLPのアーキテクチャをハイパーパramータチューニングにより最適化する。
• 実世界の日射量測定値を用いて、定められた期間にわたり予測モデルを学習および検証する。
• 標準指標を用いて性能を評価する：正規化された平均二乗誤差（nRMSE）および平均二乗誤差（RMSE）。
• 本手法をARIMA、ベイズ推論、マルコフ連鎖、およびk-近傍法（k-NN）手法と比較してベンチマークする。

実験結果

リサーチクエスチョン

• RQ1 標準的手法と比較して、カスタム時間系列前処理戦略が日射量予測精度を向上させることができるか？
• RQ2 MLPベースのニューラルネットワークは、ARIMA や k-NN といった従来の統計モデルと比較して、日次日射量予測においてどのように差をつけるか？
• RQ3 前処理が日射量時系列の予測誤差をどの程度低減させるか？
• RQ4 提案されたMLPモデルは、既存のベンチマーク手法を上回る低いnRMSEおよびRMSEを達成できるか？
• RQ5 特化した前処理とニューラルネットワークの組み合わせは、より堅牢で正確な日射量予測を実現できるか？

主な発見

• 提案手法はnRMSEが21%未満を達成しており、日平均日射量予測において優れた予測精度を示している。
• 最適化されたMLPモデルのRMSEは998 Wh/m²未満であり、絶対誤差の観点からも高い精度を示している。
• MLPモデルはARIMA、ベイズ推論、マルコフ連鎖、k-NN近似器といった従来手法を上回るか、同等の性能を発揮している。
• 臨床的前処理ステップが予測誤差を顕著に低減しており、モデル性能におけるその重要性が浮き彫りになった。
• 結果から、特化したデータ前処理がニューラルネットワークの日射量予測における有効性を高めることを示唆している。
• 本研究は、カスタム前処理を施したニューラルネットワークが、従来の統計モデルに代わる実用的で高性能な代替手段であることを確認した。