[논문 리뷰] Convolutional Neural Networks Applied to Sky Images for Short-Term Solar Irradiance Forecasting

Quentin Paletta, Joan Lasenby|arXiv (Cornell University)|2020. 01. 01.

Solar Radiation and Photovoltaics참고 문헌 1인용 수 4

한 줄 요약

이 연구는 프랑스 파라이소의 지상 천체 이미지 시퀀스에 컨볼루션 신경망(CNN)을 적용하여 최대 20분 앞선 태양 일광 조사량을 예측한다. MSE 기반 평가에서 10분 예측의 정확도 스코어는 40%를 기록한다. 모델은 지속성 기반 모델을 능가하며, 같은 날의 과거 데이터를 통합함으로써 성능이 10% 향상됨을 보여주어 단기 일조량 예측에서 시간적 맥락의 중요성을 입증한다.

ABSTRACT

Despite considerable advances in the estimation of the solar resource, there is still a need for better solar forecasting to improve its integration into the energy supply. Fish-eye cameras are emerging in-situ meteorological sensors that have already demonstrated promising and interesting results for high temporal resolution and very short-term solar forecasting. However, current approaches to model the cloud cover dynamics from sky images still lack precision regarding the spatial configuration of clouds, their temporal dynamics and their physical interaction with solar radiation. The work described here aims at bringing innovative insights via a novel approach to irradiance forecasting using the Deep Learning framework, which constitutes an effective environment for a richer modelling of the cloud cover and its dynamics. The study shows that Convolutional Neural Networks (CNNs) are able to successfully estimate future irradiance from a sequence of past images of the sky. The corresponding 10-min forecast skill based on the Mean Square Error reaches 40% when evaluated on a set of 4000 unseen samples and shows an additional 10% performance improvement on the skill score, when past data of the same day are used to train the model. This outlines the need to incorporate historical data of the day in short term forecasting.

연구 동기 및 목표

• 전력망에 태양 에너지를 더 잘 통합하기 위해 단기 태양 일조량 예측을 향상시키기 위해.
• 특히 공간적 구름 구성과 시간적 동적 변화 측면에서 현재의 천체 이미지 기반 예측 방법의 한계를 해결하기 위해.
• 기존의 통계적 또는 지속성 모델보다 더 정확하게 복잡한 구름 패턴과 그 방사선 효과를 모델링하기 위해 딥 러닝을 활용하기 위해.
• 학습 시 같은 날의 과거 천체 이미지를 사용할 경우 단기 예측 정확도에 어떤 영향을 미치는지 조사하기 위해.
• 필터 및 활성화 맵을 통한 시각화를 통해 학습된 특징을 이해하고, 네트워크가 예측에 어떤 패턴을 사용하는지 모델의 해석 가능성 향상하기 위해.

제안 방법

• 2018년 2월~9월 동안 프랑스 파라이소에서 피시아이 캠으로 촬영한 2분 간격의 천체 이미지 시퀀스를 학습한 깊이 있는 CNN 아키텍처를 사용한다.
• 현장에서 측정한 피라노미터 측정치, 태양 위치(방위각 및 고도), 태양 각도의 사인/余현수 변환 값을 입력 특징으로 통합한다.
• 목표는 10분, 15분, 20분 예측 윈도우에서 향후의 총水平 일조량(GHI)을 예측하는 지도 학습 기반의 엔드 투 엔드 모델을 훈련시킨다.
• 스마트 지속성 모델(최근의 클리어스키 지수를 사용)에 대한 평균 제곱오차(MSE) 기반의 정확도 스코어 지표를 도입한다.
• 무작위 노이즈 입력에 대해 기울기 상승 기반의 필터 시각화 기법을 적용하여 필터 반응을 최대화하는 자극을 생성함으로써 학습된 특징의 해석 가능성을 높인다.
• 중간 활성화 시각화를 수행하여 어떤 천체 이미지 영역이 특징 학습에 가장 기여하는지 평가하고, 불필요하거나 비활성화된 필터를 식별한다.

실험 결과

연구 질문

• RQ1 컨볼루션 신경망은 천체 이미지에서 시간적·공간적 패턴을 효과적으로 추출하여 지속성 모델을 뛰어넘는 단기 태양 일조량 예측에 기여할 수 있는가?
• RQ2 학습 시 같은 날의 과거 천체 이미지를 사용할 경우, 다른 날의 데이터로 학습하는 것과 비교해 정확도에 어떤 영향을 미치는가?
• RQ3 CNN 필터는 어떤 종류의 구름 패턴과 천체 특징을 감지하게 되며, 이는 네트워크 깊이에 따라 어떻게 변화하는가?
• RQ4 필터 시각화 및 활성화 맵 같은 시각적 해석 방법을 통해 학습된 특징의 물리적 관련성이 얼마나 드러나는가?
• RQ5 이전 연구에서 예측 윈도우가 길어질수록 정확도가 감소한다는 주장과는 달리, CNN 모델의 예측 정확도는 더 긴 예측 윈도우에서도 증가하는가?

주요 결과

• MSE 기반 평가에서 스마트 지속성 기반 기준과 비교해 10분 예측 정확도 스코어가 40%에 도달하여 단순 지속성 예측보다 뚜렷한 향상을 보였다.
• 훈련 및 검증 데이터를 같은 날의 자료로 사용할 경우(예: 오전 샘플로 훈련, 오후 샘플로 검증) 10분 예측 정확도 스코어가 약 10% 향상되어 0.40에서 0.44로 상승하였다.
• 모델은 태양, 먼 하늘, 구름 패턴과 같은 관련 천체 특징을 학습하며, 더 깊은 컨볼루션 계층은 흩어진 구름과 조밀한 구름 형성과 같은 복잡한 구름 커버를 감지한다.
• 필터 시각화 결과, 초기 계층은 추상적이고 저수준의 패턴을 학습하는 반면, 더 깊은 계층은 점점 더 복잡한 구름 구성 패tern을 감지함을 보여주어 계층적 특징 학습이 이루어지고 있음을 시사한다.
• 이전 연구와는 달리, 더 긴 시간 윈도우에서도 정확도가 감소하지 않으며, 12분 예측 윈도우부터는 정체되는 경향을 보이며 2~20분 범위에서 안정적인 성능을 유지함을 시사한다.
• 중간 활성화 분석 결과, 첫 번째 컨볼루션 계층의 60개 필터 중 일부는 실제로 효과적으로 사용되지 않음을 확인하여, 성능 손실 없이 필터 수를 32개로 감소시켜 모델 단순화함으로써 효율성 향상과 과적합 위험 감소를 달성하였다.