[論文レビュー] Statistical Clear Sky Fitting Algorithm

Bennet Meyers, Michaelangelo D. Tabone+1 more|arXiv (Cornell University)|Jul 18, 2019

Solar Radiation and Photovoltaics参考文献 12被引用数 6

ひとこと要約

本論文は、放射能データ、天候条件、システムメタデータを必要とせず、生の歴史的出力測定値から直接、太陽光発電システムのクリアスカイ出力信号を推定するデータ駆動型統計的クリアスカイフィッティング（SCSF）アルゴリズムを提案する。一般化された低ランクモデリングと核ノルム正則化、凸最適化を用いて、日次および年次パターンを捉える滑らかで周期的反復型のベースライン信号を再構築し、30％のランダム欠損が加わった場合でさえも合成クリアスカイ信号をほぼ完璧に再構築する（RMSE < 0.5％）。

ABSTRACT

We present an algorithm that estimates a clear sky performance signal from the measured power of a PV system. The algorithm uses only observed power output, and assumes no knowledge of weather, irradiance data, or system configuration metadata. This is a novel approach to understanding the clear sky behavior of an installed PV system, that does not rely on traditional atmospheric and geometric modeling techniques.

研究の動機と目的

• 大気モデルやシステムメタデータに依存しないモデルに依存しない方法で、生のPV出力データからクリアスカイパフォーマンスを推定すること。
• 放射能または天候データが欠落または信頼できない歴史的PVデータセットにおいて、クリアスカイ状態を特定する課題に対処すること。
• 日次および年次周期性を捉えながら、ノイズ、欠損データ、システム劣化に対して耐性を持つ統計的に頑健なベースライン信号を構築すること。
• 外部環境入力なしで、クリアスカイ期間や劣化トレンドの自動検出を可能にすること。
• 現実的なノイズで汚染された合成クリアスカイ信号の再構築を通じて、手法の精度と一般化性能を検証すること。

提案手法

• 時間的系列の出力測定値からデータ行列を構築し、日次および年次周期性を反映させる。各列が1日分、各行が時間帯のスロットを表す。
• 一般化された低ランクモデリングを適用し、信号の背後にある周期定常構造を保持する低ランク行列でデータ行列を近似する。
• 最適化問題は、残差のフロベニウスノルムと因子行列LおよびRの正則化項を最小化する多目的凸計画問題として定式化される。
• 核ノルム正則化を用いて低ランク性を強制し、推定信号の滑らかさと周期性を促進する。ハイパーパrameterは交差検証により調整される。
• 凸最適化ソルバー（cvxpyおよびMOSEK）を用いて部分問題を解き、グローバル最適性と欠損または汚損データに対する頑健性を保証する。
• この手法は、追加のモデリングやデータを必要とせず、ベースラインフィッティングプロセスの一部として自然に長期的なシステム劣化を捉える。

実験結果

リサーチクエスチョン

• RQ1 放射能、天候、システム構成データなしで、生のPV出力データからクリアスカイ出力信号を正確に推定できるか？
• RQ2 低ランク行列近似は、実世界のPV出力データにおけるクリアスカイ行動の日次および年次周期性をどの程度正確に保持できるか？
• RQ3 SCSFアルゴリズムは、欠損データ、ノイズ、ホウキやインバーターの問題などのシステムレベルの劣化に対してどの程度頑健か？
• RQ4 顕著なランダム汚損が加わった後でも、既知のクリアスカイ信号を再構築できるか？ これは、忠実性と安定性を示唆する。
• RQ5 推定信号はトレーニングデータとテストデータの両方で統計的に一貫性を示すか？ これは一般化性能と過学習の欠如を示唆する。

主な発見

• SCSFアルゴリズムは、pvlib-pythonパイプラインで生成された合成クリアスカイ信号を、30％のデータポイントがランダムに欠損した状態でも、RMSEが0.5％未満で正確に再構築した。
• コルモゴロフ・スミルノフ（KS）検定により、トレーニングセットとテストセットの残差分布が統計的に区別できないことが確認された（p値 < 1e-10）。これは過学習がなく、強力な一般化性能を示している。
• この手法は、追加のモデリングやデータを必要とせず、ベースラインフィッティングプロセスの一部として自然に長期的なシステム劣化を捉える。
• このアルゴリズムは欠損データやノイズに対して頑健であり、大気条件、太陽の幾何学的配置、システム固有のメタデータの知識を必要としない。
• 推定されたクリアスカイ信号は滑らかで、日次および年次周期的挙動を示し、真のクリアスカイ信号の期待される特性に密接に一致する。
• 凸最適化と核ノルム正則化の使用により、信号の周期定常構造を保持するグローバル最適解が保証される。