[論文レビュー] SolarisNet: A Deep Regression Network for Solar Radiation Prediction

Subhadip Dey, Sawon Pratiher+2 more|arXiv (Cornell University)|Nov 22, 2017

Solar Radiation and Photovoltaics被引用数 4

ひとこと要約

SolarisNet は、歴史的スマートグリッドデータを用いてグローバルソーラーラジエーション（GSR）を予測する6層の深層回帰ニューラルネットワークであり、日次GSR予測において最先端のモデルを上回る性能を発揮する。インド・カリャーニ近郊の2か所の気象観測所から得られたデータで訓練された本モデルは、高価な放射計器や専門家による測定に依存せず、正確で低コストのGSR推定を可能にする。

ABSTRACT

Effective utilization of photovoltaic (PV) plants requires weather variability robust global solar radiation (GSR) forecasting models. Random weather turbulence phenomena coupled with assumptions of clear sky model as suggested by Hottel pose significant challenges to parametric & non-parametric models in GSR conversion rate estimation. Also, a decent GSR estimate requires costly high-tech radiometer and expert dependent instrument handling and measurements, which are subjective. As such, a computer aided monitoring (CAM) system to evaluate PV plant operation feasibility by employing smart grid past data analytics and deep learning is developed. Our algorithm, SolarisNet is a 6-layer deep neural network trained on data collected at two weather stations located near Kalyani metrological site, West Bengal, India. The daily GSR prediction performance using SolarisNet outperforms the existing state of art and its efficacy in inferring past GSR data insights to comprehend daily and seasonal GSR variability along with its competence for short term forecasting is discussed.

研究の動機と目的

• 高価な放射計器や専門家の手作業に依存しない、堅牢でデータ駆動型のグローバルソーラーラジエーション（GSR）予測モデルの開発を目的とする。
• 天候の変動性とクリアスカイメソッドの限界がGSR推定に与える課題に対処することを目的とする。
• コンピュータ支援監視（CAM）システムを活用した、効果的な太陽光発電所の運用可能性評価を可能とする。
• 過去の気象観測所データを用いたディープラーニングによる短期的GSR予測精度の向上を目的とする。
• 過去データに対するモデル推論を通じて、日次および季節的GSR変動の理解を深める。

提案手法

• 6層の深層ニューラルネットワーク（SolarisNet）を、インド・ウェスト・ベンガル州カリャーニ近郊の2か所の気象観測所から収集した歴史的グローバルソーラーラジエーションデータで訓練する。
• 物理的放射計器に依存せず、過去のスマートグリッドデータを活用した回帰ベースのGSR予測を実現する。
• SolarisNetは、入力気象変数とGSR出力の間の複雑な非線形関係を学習するためのディープラーニングを採用する。
• 回帰タスクに最適化されたアーキテクチャであり、日次GSR値の予測誤差を最小化することを目的に訓練が行われる。
• テストデータを用いた標準回帰指標を用いてモデルの性能を評価する。
• 本システムは、過去のGSRパターンの後向き分析と短期的予測の両方を可能にする。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングベースの回帰モデルは、既存のパラメトリックおよびノンパラメトリックモデルを上回るGSR予測性能を発揮できるか？
• RQ2 歴史的スマートグリッドデータは、正確なGSR推定のために高価な放射計測にどれほど置き換え可能か？
• RQ3 深層ニューラルネットワークは、過去データから日次および季節的GSR変動をどれほど効果的に推論できるか？
• RQ4 SolarisNetの短期的GSR予測性能は、最先端の手法と比較してどの程度か？
• RQ5 ディープラーニングに基づくコンピュータ支援監視システムは、太陽光発電所の運用可能性評価を向上させることができるか？

主な発見

• SolarisNetは、既存の最先端モデルと比較して、日次グローバルソーラーラジエーション（GSR）予測において優れた性能を発揮する。
• 本モデルは、過去のGSRデータパターンを効果的に推論でき、日次および季節的ソーラーラジエーション変動に関する有意義な知見を提供する。
• SolarisNetは、歴史的スマートグリッドデータのみを用いても、短期的GSR予測において強力な性能を示す。
• 深層回帰ネットワークは、GSR推定における高価な放射計器や専門家による測定に依存する必要を低減する。
• モデルのアーキテクチャとトレーニングアプローチにより、太陽光発電所の監視および運用可能性分析に適した正確で低コストのGSR予測が可能になる。
• 性能評価により、SolarisNetが伝統的なパラメトリックおよびノンパラメトリックモデルよりも、GSR変換率推定において優れた性能を発揮することが確認された。