[論文レビュー] Synthetic Photovoltaic and Wind Power Forecasting Data

Stephan Vogt, Jens Schreiber+1 more|arXiv (Cornell University)|Apr 1, 2022

Energy Load and Power Forecasting被引用数 4

ひとこと要約

本論文は、ドイツの120か所の太陽光発電所および273か所の風力発電所のための、大規模かつ公開可能な合成時系列データセットを紹介している。このデータセットは、実際の気象測定値と物理モデルを用いて生成されたものであり、再生可能エネルギー予測におけるリアルな機械学習研究を可能にする。結果として、合成データ上でのモデル誤差が実世界の歴史的データとよく一致しており、今後の研究における信頼できるベンチマークを確立している。

ABSTRACT

Photovoltaic and wind power forecasts in power systems with a high share of renewable energy are essential in several applications. These include stable grid operation, profitable power trading, and forward-looking system planning. However, there is a lack of publicly available datasets for research on machine learning based prediction methods. This paper provides an openly accessible time series dataset with realistic synthetic power data. Other publicly and non-publicly available datasets often lack precise geographic coordinates, timestamps, or static power plant information, e.g., to protect business secrets. On the opposite, this dataset provides these. The dataset comprises 120 photovoltaic and 273 wind power plants with distinct sides all over Germany from 500 days in hourly resolution. This large number of available sides allows forecasting experiments to include spatial correlations and run experiments in transfer and multi-task learning. It includes side-specific, power source-dependent, non-synthetic input features from the ICON-EU weather model. A simulation of virtual power plants with physical models and actual meteorological measurements provides realistic synthetic power measurement time series. These time series correspond to the power output of virtual power plants at the location of the respective weather measurements. Since the synthetic time series are based exclusively on weather measurements, possible errors in the weather forecast are comparable to those in actual power data. In addition to the data description, we evaluate the quality of weather-prediction-based power forecasts by comparing simplified physical models and a machine learning model. This experiment shows that forecasts errors on the synthetic power data are comparable to real-world historical power measurements.

研究の動機と目的

• 機械学習を用いた再生可能エネルギー予測の分野において、公開可能で包括的なデータセットが不足している問題に対処すること。
• 正確な地理座標、タイムスタンプ、物理的発電所特性を備えた大規模で現実的な合成データセットを提供すること。
• 各発電所の詳細な静的メタデータを含めることで、トランスファーラーニング、マルチタスクラーニング、ゼロショットラーニングの高度な機械学習研究を支援すること。
• 物理モデルと勾配ブースティング回帰木（GBRT）を合成データ上で比較することで、予測誤差のベンチマークを確立すること。
• 実際の数値予報（NWP）入力をもとにすることで、合成データが現実の予測誤差を的確に反映していることを保証すること。

提案手法

• 合成電力時系列は、Icosahedral Nonhydrostatic（ICON）モデルから得た実際の歴史的気象測定値に基づいて、物理モデルを用いてシミュレートして生成される。
• データセットには、4つの季節をカバーする500日分の1時間解像度のデータ（2018年12月8日～2020年6月2日）が含まれており、モデルの訓練およびテストに耐性のある強固な基盤を提供する。
• 各発電所には、太陽光モジュールの傾斜角や向き、風力タービンのローター・ジェネレータ比などの、独自の物理的および幾何的パラメータが割り当てられ、現実性を確保するとともに、トランスファーラーニングを可能にする。
• 非合成入力特徴量（風速、水平面直達日射量、気温など）はICON-NWPモデルから抽出され、合成電力出力とペアリングされる。
• 勾配ブースティング回帰木（GBRT）モデルを訓練し、EnerconやMcLeanの電力曲線などの物理ベースラインモデルと比較することで、予測精度を評価する。
• 訓練データが限られた状況でも評価が可能となるよう、例えば7日から365日までの短縮された訓練データセットを用いた実験を可能にする。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルが合成データ上で示す予測誤差は、実世界の歴史的データ上での誤差と比べてどの程度か？
• RQ2 合成データは、特にトランスファーおよびマルチタスクラーニングにおいて、再生可能エネルギー発電予測モデルの信頼できるベンチマークを提供できるか？
• RQ3 訓練データ量が異なる条件下で、物理モデルと機械学習モデル（例：GBRT）の間には、どの程度の性能差が生じるか？
• RQ4 タービン固有のパラメータが不明な状況で、異なる経験的電力曲線（例：McLean、Enercon）の精度はどのように比較できるか？
• RQ5 詳細な発電所固有のメタデータを含めることで、モデルの汎化性能およびトランスファーラーニング性能はどの程度向上するか？

主な発見

• GBRTモデルおよび物理ベースラインモデルの合成データ上での予測誤差は、実世界の歴史的電力測定値で観測された誤差とほぼ同等である。
• 太陽光発電予測においては、十分な訓練データ（例：365日分）が利用可能な場合、GBRTモデルが物理ベースラインを上回り、平均nRMSEが0.072（GBRT）に対し0.085（物理モデル）を記録した。
• 風力発電予測においては、GBRTモデルがEnercon物理ベースラインを常に上回り、完全な訓練データを使用した場合、平均nRMSEを0.210（ベースライン）から0.125にまで低減した。
• 訓練データが限られた状況（例：7日分）では、太陽光発電では物理モデルがより頑健である一方、風力発電ではGBRTモデルが14日分のデータでも優れた性能を示した。
• タービン固有のパラメータが入手できない状況において、McLeanの経験的電力曲線はEnerconベースラインと同等の精度を示し、nRMSE値は0.212～0.239の範囲に収まった。
• 発電所固有のメタデータ（向き、ローター直径、タワー高さなど）を含めることで、合成データセットはトランスファーラーニングおよびゼロショットラーニングの信頼できる評価を可能にした。