[論文レビュー] Two-Tier Prediction of Solar Power Generation with Limited Sensing Resource

Yübo Wang, Bin Wang+4 more|arXiv (Cornell University)|Aug 11, 2015

Solar Radiation and Photovoltaics参考文献 15被引用数 3

ひとこと要約

本論文は、歴史的電力データと限られたセンシングリソースのみを用いて24時間先の太陽光発電予測を行う二段階予測フレームワークを提案する。重み付きk-NNまたはニューラルネットワークを用いたグローバル段階の予測と、ローカル段階での適応的残差補正を組み合わせることで、35kWのUCLAマイクログリッド実験環境において、従来の日次の手法よりも高い精度を達成した。

ABSTRACT

This paper considers a typical solar installations scenario with limited sensing resources. In the literature, there exist either day-ahead solar generation prediction methods with limited accuracy, or high accuracy short timescale methods that are not suitable for applications requiring longer term prediction. We propose a two-tier (global-tier and local-tier) prediction method to improve accuracy for long term (24 hour) solar generation prediction using only the historical power data. In global-tier, we examine two popular heuristic methods: weighted k-Nearest Neighbors (k-NN) and Neural Network (NN). In local-tier, the global-tier results are adaptively updated using real-time analytical residual analysis. The proposed method is validated using the UCLA Microgrid with 35kW of solar generation capacity. Experimental results show that the proposed two-tier prediction method achieves higher accuracy compared to day-ahead predictions while providing the same prediction length. The difference in the overall prediction performance using either weighted k-NN based or NN based in the global-tier are carefully discussed and reasoned. Case studies with a typical sunny day and a cloudy day are carried out to demonstrate the effectiveness of the proposed two-tier predictions.

研究の動機と目的

• 限られたセンシングリソース下での長期的（24時間）太陽光発電予測精度の向上を目的とする。
• 既存の太陽光予測手法における精度と予測期間のトレードオフを解消することを目的とする。
• リアルタイムの気象データや放射能センサを必要とせず、歴史的電力データのみを活用する二段階フレームワークの開発を目的とする。
• 35kWの太陽光発電能力を有する実際のマイクログリッドで、手法の有効性を検証することを目的とする。

提案手法

• グローバル段階では、重み付きk-最近傍探索法（k-NN）またはニューラルネットワーク（NN）を用い、歴史的電力データのみに基づいて初期の24時間予測を生成する。
• ローカル段階では、リアルタイムの分析的残差解析を用いてグローバル段階の予測を適応的に補正する。
• 歴史的予測と実測値との間の残差をモデル化し、動的に更新することで短期的精度を向上させる。
• 本フレームワークは、限られたセンシングインfraを有するUCLAマイクログリッドの35kW太陽光発電施設に実装・テストされた。
• 異なる天候条件下での性能と頑健性を比較するため、2種類のグローバル段階モデル（重み付きk-NNとNN）を検証した。
• 外部気象データに依存せず、歴史的電力測定値とリアルタイムの残差フィードバックのみに依存する手法である。

実験結果

リサーチクエスチョン

• RQ1 歴史的電力データと限られたセンシングリソースのみを用いて、二段階予測フレームワークが24時間太陽光発電予測の精度を向上させられるか？
• RQ2 重み付きk-NNとニューラルネットワークモデルは、長期的太陽光予測におけるグローバル段階の性能において、どのように比較されるか？
• RQ3 ローカル段階の残差補正は、変動する天候条件下で予測精度をどの程度向上させるか？
• RQ4 追加のセンサ入力がなくても、本手法は晴れの日と曇りの日の両方で有効であるか？
• RQ5 放射能パターンの異なる条件下でも、本フレームワークは電力測定値のみを用いて高い精度を維持できるか？

主な発見

• 二段階手法は、24時間太陽光発電予測において、標準的な日次の手法よりも高い予測精度を達成した。
• 重み付きk-NNを用いたグローバル段階は、変動する天候条件下でも安定性と精度の面で、ニューラルネットワークを用いたグローバル段階を上回った。
• ローカル段階の残差補正により、リアルタイムの偏差に適応することで、短期的予測精度が顕著に向上した。
• 晴れの日と曇りの日のケーススタディにより、多様な放射能パターン下でも本手法の頑健性と有効性が確認された。
• 追加のセンサが不要であり、歴史的電力データとリアルタイムの残差のみに依存して、高い精度を維持した。