[논문 리뷰] A TCN-based Hybrid Forecasting Framework for Hours-ahead Utility-scale PV Forecasting

Yiyan Li, Lidong Song외 6명|arXiv (Cornell University)|2021. 11. 16.

Solar Radiation and Photovoltaics인용 수 7

한 줄 요약

이 논문은 95개의 노스캐롤라이나 주 태양광 발전소에서 확보한 데이터를 사용하여, 물리기반 추세 예측(TF) 모델과 데이터 기반 구름 이벤트 예측(CF) 모델을 결합한 TCN 기반 하이브리드 예측 프레임워크를 제안한다. 이 프레임워크는 세 가지 전문화된 시간 컨volution 네트워크(TCN)를 사용하여 6시간 이내의 대규모 태양광 발전소 전력 예측 정확도를 기존 최고 수준의 방법 대비 약 20% 향상시킨다.

ABSTRACT

This paper presents a Temporal Convolutional Network (TCN) based hybrid PV forecasting framework for enhancing hours-ahead utility-scale PV forecasting. The hybrid framework consists of two forecasting models: a physics-based trend forecasting (TF) model and a data-driven cloud-event forecasting (CF) model. Three TCNs are integrated in the framework for: i) blending the inputs from different Numerical Weather Prediction sources for the TF model to achieve superior performance on forecasting hourly PV profiles, ii) capturing spatial-temporal correlations between detector sites and the target site in the CF model to achieve more accurate forecast of intra-hour PV power drops, and iii) reconciling TF and CF results to obtain coherent hours-ahead PV forecast with both hourly trends and intra-hour fluctuations well preserved. To automatically identify the most contributive neighboring sites for forming a detector network, a scenario-based correlation analysis method is developed, which significantly improves the capability of the CF model on capturing large power fluctuations caused by cloud movements. The framework is developed, tested, and validated using actual PV data collected from 95 PV farms in North Carolina. Simulation results show that the performance of 6 hours ahead PV power forecasting is improved by approximately 20% compared with state-of-the-art methods.

연구 동기 및 목표

• 전력망 통합 및 운영 계획 수립을 위한 전력망 수준의 태양광(PV) 발전 예측 정확도 향상.
• 구름 이동으로 인한 장기적인 시간대별 추세와 단기적인 내시간 변동을 동시에 예측하는 과제 해결.
• 물리적 통찰력과 데이터 기반 학습을 융합한 하이브리드 모델링 접근법 개발으로 강력한 예측 수행.
• 다양한 PV 현장 간 공간-시간 상관관계를 더 잘 표현하여 구름 유도 전력 감소를 효과적으로 포착.
• 예측 신뢰도 향상을 위해 감지망 형성에 가장 기여하는 이웃 현장들을 자동으로 식별하는 방법 개발.

제안 방법

• 다양한 수치기상예보(NWP) 소스의 입력을 융합하여 시간대별 PV 프로파일 예측을 향상시키기 위해 TCN를 활용한 물리기반 추세 예측(TF) 모델을 도입.
• 목표 현장과 감지 현장 간 공간-시간 상관관계를 포착하여 내시간 전력 감소를 정확하게 예측하기 위해 TCN를 활용한 데이터 기반 구름 이벤트 예측(CF) 모델을 구현.
• TF 및 CF 모델의 출력을 조율하기 위해 재조정 TCN를 통합하여 최종 예측에서 시간대별 추세와 급격한 변동성을 모두 유지.
• 감지망에 가장 관련성이 높은 이웃 현장을 자동으로 선별하기 위해 시나리오 기반 상관관계 분 析 방법을 개발하여 구름 이동 탐지 능력 향상.
• 노스캐롤라이나 주의 95개 대규모 태양광 발전소에서 수집한 실제 PV 발전 데이터를 사용하여 하이브리드 프레임워크를 훈련 및 검증.
• 반복 구조 없이 장거리 의존성을 효과적으로 모델링할 수 있도록 확장 컨volution을 활용한 TCN를 사용하여 시간적 시퀀스의 장거리 의존성 모델링, 효율적이고 정확한 예측 가능.

실험 결과

연구 질문

• RQ1 물리기반 및 데이터 기반 모델을 융합한 하이브리드 프레임워크는 어떻게 6시간 이내 대규모 태양광 발전 예측 정확도를 향상시킬 수 있는가?
• RQ2 TCN는 분산된 PV 현장 간 공간-시간 상관관계를 얼마나 효과적으로 모델링하여 구름으로 인한 전력 변동 예측에 기여하는가?
• RQ3 시나리오 기반 상관관계 분석에 기반한 자동 현장 선별 방법은 구름 이벤트 예측 성능을 향상시킬 수 있는가?
• RQ4 TCN를 통해 여러 NWP 자료를 통합함으로써 추세 예측의 강건성은 어떻게 향상되는가?
• RQ5 전용 TCN 모듈을 사용하여 추세 및 구름 이벤트 예측을 재조정할 경우 예측 정확도의 순수 향상 폭은 얼마인가?

주요 결과

• 제안된 TCN 기반 하이브리드 프레임워크는 기존 최고 수준의 방법 대비 6시간 이내 PV 발전 예측 정확도를 약 20% 향상시켰다.
• 추세 예측 모델에서 TCN를 통해 여러 NWP 자료를 통합함으로써 시간대별 PV 프로파일 예측 능력이 크게 향상되었다.
• TCN 기반 공간-시간 모델링을 통해 향상된 구름 이벤트 예측 모델은 구름 이동으로 인한 내시간 전력 감소를 더 정확하게 포착하였다.
• 시나리오 기반 상관관계 분석 방법은 가장 기여도가 높은 이웃 현장을 성공적으로 식별하여 감지망의 구름 이벤트 반응성 향상에 기여하였다.
• 재조정 TCN는 추세 및 변동 예측을 효과적으로 통합하여 최종 출력에서 장기적 추세와 단기적 역학을 모두 유지하였다.
• 노스캐롤라이나 주의 95개 대규모 태양광 발전소에서의 실제 데이터를 기반으로 한 검증에서 이 프레임워크는 뛰어난 일반화 능력과 강건성을 입증하였다.