[논문 리뷰] A Stochastic Generator of Global Monthly Wind Energy with Tukey $g$-and-$h$ Autoregressive Processes

Jaehong Jeong, Yuan Yan외 2명|arXiv (Cornell University)|2017. 11. 10.

Energy Load and Power Forecasting인용 수 4

한 줄 요약

이 논문은 비정규, 비 stationary한 시공간적 의존성을 갖는 전 세계 월간 바람 풍력 에너지를 모델링하기 위해 Tukey $g$-and-$h$ 자기회귀 프로세스를 사용하는 확률적 생성기를 제안한다. 단지 다섯 개의 기후 모델 실행 결과로 훈련된 이 모델은 40개의 완전한 시뮬레이션의 불확실성을 효율적으로 재현하며, 월간 스케일에서 비대칭성, 꼬리 행동 및 연간 변동성을 정확히 포착한다. 이는 정책 수립에 유의미한 바람 풍력 평가에 필수적이다.

ABSTRACT

Quantifying the uncertainty of wind energy potential from climate models is a very time-consuming task and requires a considerable amount of computational resources. A statistical model trained on a small set of runs can act as a stochastic approximation of the original climate model, and be used to assess the uncertainty considerably faster than by resorting to the original climate model for additional runs. While Gaussian models have been widely employed as means to approximate climate simulations, the Gaussianity assumption is not suitable for winds at policy-relevant time scales, i.e., sub-annual. We propose a trans-Gaussian model for monthly wind speed that relies on an autoregressive structure with Tukey $g$-and-$h$ transformation, a flexible new class that can separately model skewness and tail behavior. This temporal structure is integrated into a multi-step spectral framework that is able to account for global nonstationarities across land/ocean boundaries, as well as across mountain ranges. Inference can be achieved by balancing memory storage and distributed computation for a data set of 220 million points. Once fitted with as few as five runs, the statistical model can generate surrogates fast and efficiently on a simple laptop, and provide uncertainty assessments very close to those obtained from all the available climate simulations (forty) on a monthly scale.

연구 동기 및 목표

• 내부 변동성을 정량화하기 위한 계산적으로 효율적인 서rogate 모델 개발
• 월간 바람 속도 데이터에서 비대칭성과 무거운 꼬리 행동을 포착하지 못하는 가우시안 모델의 한계 해결
• 병렬 및 분산 컴퓨팅을 활용해 2억 2천만 점의 시공간 데이터셋에 대한 확장 가능한 추론 수행
• 정책 수립에 유의미한 월간 스케일의 불확실성 평가 제공 — 바람 풍력 계획에 핵심적임
• 소규모 훈련 세트(다섯 개 실행)가 전체 앙상블(40개 실행)의 불확실성과 유사한 합성 데이터를 생성할 수 있음을 입증

제안 방법

• 비정규 분포를 유연하게 모델링하기 위해 Tukey $g$-and-$h$ 분포를 기반으로 한 전-가우시안 프로세스를 사용하여 비대칭성($g$)과 꼬리 행동($h$)을 별도로 제어함
• 지형적 경계(육지/해양 경계, 산악 지형 등)를 고려한 다단계 스펙트럼 프레임워크를 도입하여 구상 위에서 물리적으로 타당한 의존성 구조 확보
• 각 위치의 시간적 동적 특성과 국지적 의존성을 포착하기 위해 스펙트럼 모델 내에 자기회귀 구조 통합
• 분산 컴퓨팅과 격자 기반 데이터 구조를 균형 있게 조화시킨 확장성 있고 메모리 효율적인 추론 방법을 사용하여 2억 2천만 점에서의 우도 기반 추정 수행
• 대규모 공분산 행렬을 효율적으로 처리하기 위해 고성능 컴퓨팅을 활용해 고정 순위 근사와 병렬화된 코レス키 분해 통합
• LENS 앙상블에서 소규모 서브셋(다섯 개 실행)으로 훈련된 확률적 생성기를 사용하여 빠르고 고정밀도의 서rogate를 생성, 불확실성 정량화에 활용

실험 결과

연구 질문

• RQ1 큰 기후 앙상블에서 다섯 개의 실행 결과로만 훈련된 통계 모델이 월간 바람 풍력에 대해 전체 40개 실행 앙상블의 불확실성을 정확히 재현할 수 있는가?
• RQ2 비정규, 비stationary한 시공간 모델이 전 세계적으로 월간 바람 속도의 비대칭성과 꼬리 행동을 얼마나 잘 포착할 수 있는가?
• RQ3 Tukey $g$-and-$h$ 자기회귀 프로세스가 육지, 해양, 산악 지역에서 복잡한 비stationarity를 얼마나 잘 모델링할 수 있는가?
• RQ4 확장 가능하고 병렬 처리 가능한 추론 프레임워크가 2억 2천만 점의 전 세계 바람 데이터셋에 대한 계산적 요구사항을 충족하면서도 모델의 정밀도를 유지할 수 있는가?
• RQ5 제안된 확률적 생성기는 정책 수립에 유의미한 바람 풍력 평가를 위해 전체 기후 모델을 실행하는 데 비해 신뢰성 있고 빠른 대안을 제공할 수 있는가?

주요 결과

• 단지 LENS의 다섯 개 실행 결과로 훈련된 확률적 생성기는 시각적으로 전체 40개 실행 앙상블과 구별되지 않으며, 원본 시뮬레이션의 국지적 시공간 의존성 구조를 정확히 재현한다.
• Tukey $g$-and-$h$ 모델은 80m 고도에서 바람 풍력 밀도(WPD)의 오른쪽 비대칭 분포를 성공적으로 포착했으며, 구아드란 해협 지역에서 전체 앙상블과 거의 동일한 불확실성 결과를 도출했다.
• 2020년 WPD의 박스플롯 분석 결과, 40개 LENS 실행과 40개 SG 실행 간에 점 추정치와 범위가 거의 동일했으며, 4월과 11월에 소수의 차이만 존재했다.
• 모델은 연간 패턴과 내부 변동성을 정확히 재현했으며, 예를 들어 7월과 같이 고풍속 월의 풍속 제도(보통에서 매우 높음) 분류까지도 정확히 반영했다.
• SG는 표준 랩탑에서 몇 초 내로 서rogate를 생성했으며, 40개의 전체 기후 실행 결과에서 요구되는 수백만 CPU 시간과 거의 동일한 불확실성 평가 결과를 도출했다.
• 다단계 스펙트럼 모델링과 Tukey $g$-and-$h$ 변환의 통합은 대규모 스케일에서 강력하고 비stationary하며 비정규적인 전 세계 월간 바람 풍력 모델링을 가능하게 했다.