[논문 리뷰] An Integrated Multi-Time-Scale Modeling for Solar Irradiance Forecasting Using Deep Learning

Sakshi Mishra, Praveen Palanisamy|arXiv (Cornell University)|2019. 05. 07.

Solar Radiation and Photovoltaics참고 문헌 47인용 수 12

한 줄 요약

이 논문은 RNN과 LSTMs를 통합한 유일한 딥러닝 아키텍처를 제안하여 다중 시간 스케일의 태양 일광 조사 예측을 수행하며, 정확한 내시간 및 내일 예측을 가능하게 한다. 기존 최고 수준의 방법에 비해 미국 현지의 평균 RMSE가 71.5% 감소하여 전력망 운영에 있어 뛰어난 강건성과 실시간 적용 가능성을 입증한다.

ABSTRACT

For short-term solar irradiance forecasting, the traditional point forecasting methods are rendered less useful due to the non-stationary characteristic of solar power. The amount of operating reserves required to maintain reliable operation of the electric grid rises due to the variability of solar energy. The higher the uncertainty in the generation, the greater the operating-reserve requirements, which translates to an increased cost of operation. In this research work, we propose a unified architecture for multi-time-scale predictions for intra-day solar irradiance forecasting using recurrent neural networks (RNN) and long-short-term memory networks (LSTMs). This paper also lays out a framework for extending this modeling approach to intra-hour forecasting horizons thus, making it a multi-time-horizon forecasting approach, capable of predicting intra-hour as well as intra-day solar irradiance. We develop an end-to-end pipeline to effectuate the proposed architecture. The performance of the prediction model is tested and validated by the methodical implementation. The robustness of the approach is demonstrated with case studies conducted for geographically scattered sites across the United States. The predictions demonstrate that our proposed unified architecture-based approach is effective for multi-time-scale solar forecasts and achieves a lower root-mean-square prediction error when benchmarked against the best-performing methods documented in the literature that use separate models for each time-scale during the day. Our proposed method results in a 71.5% reduction in the mean RMSE averaged across all the test sites compared to the ML-based best-performing method reported in the literature. Additionally, the proposed method enables multi-time-horizon forecasts with real-time inputs, which have a significant potential for practical industry applications in the evolving grid.

연구 동기 및 목표

• 단기 예측에서의 비정상적인 태양 일광 조사 변동성 문제를 해결하기 위해.
• 다양한 시간 범위에서의 예측 정확도 향상으로 운영 비축 비용을 절감하기 위해.
• 내시간 및 내일 예측을 위한 별도의 모델을 대체할 수 있는 단일 통합 딥러닝 모델을 개발하기 위해.
• 미국 내 지리적으로 다양한 위치에서 모델의 강건성을 검증하기 위해.
• 실시간 동적 입력 업데이트를 통한 엣지 투 엔드 예측을 가능하게 하여 실무적 전력망 통합을 지원하기 위해.

제안 방법

• 제안된 아키텍처는 다중 시간 스케일을 처리할 수 있도록 장기 단기 기억(이하 LSTM) 네트워크 기반의 통합 인코더-디코더 프레임워크를 사용한다.
• 단일 모델 내에서 내시간(예: 5–60분) 및 내일(예: 1–24시간) 수준의 시간적 종속성을 통합한다.
• 실시간 입력 처리를 위한 엣지 투 엔드 학습 파이프라인을 활용하여 동적 예측을 지원한다.
• 특징 공학은 역학적 일광 조사 데이터, 기상 변수, 시간대 특성 등을 입력으로 포함한다.
• 각기 다른 시간 범위에서의 공동 학습 및 추론이 가능하며, 별도의 모델 캘리브레이션 없이도 수행된다.
• 성능 평가는 RMSE를 사용하며, 동일한 테스트 현지 및 데이터를 사용해 문헌 기준과 비교한다.

실험 결과

연구 질문

• RQ1 단일 딥러닝 모델이 내시간 및 내일 수준의 태양 일광 조사 예측에 효과적으로 작용할 수 있는가?
• RQ2 각 시간 범위에 최적화된 별도의 모델과 비교해 제안된 통합 아키텍처의 정확도는 어떻게 되는가?
• RQ3 미국 내 다양한 지리적 위치에서 모델의 예측 오차는 어느 정도 감소하는가?
• RQ4 실시간 예측이 가능하고 동적 입력 업데이트를 지원함으로써 운영 전력망 활용에 적합한가?
• RQ5 다중 시간 스케일 통합이 전체 예측의 강건성과 신뢰성에 어떤 영향을 미치는가?

주요 결과

• 제안된 모델은 문헌에 보고된 최고 성능을 보인 기계학습 방법에 비해 모든 테스트 현지에서 평균 제곱근오차(RMSE)가 71.5% 감소하였다.
• 모델은 미국 내 지리적으로 산재한 10개의 현지에서 일관된 성능을 보이며 강력한 일반화 능력을 입증하였다.
• 각 시간 스케일에 별도의 모델을 사용하는 것보다 통합 아키텍처가 더 뛰어난 성능을 보이며, 다중 스케일 학습의 이점을 입증하였다.
• 실시간 다중 수준 예측이 가능하며 동적 입력 통합을 지원하여 운영 전력망 응용에 적합하다.
• 다수의 모델을 하나의 확장 가능한 아키텍처로 대체함으로써 계산 및 유지보수 오버헤드를 줄였다.
• 사례 연구를 통해 다양한 태양 일광 조사 조건과 기상 변동성 하에서도 모델의 강건성이 확인되었다.