[논문 리뷰] Evaluation of Time-Series, Regression and Neural Network Models for Solar Forecasting: Part I: One-Hour Horizon

Alireza Inanlougani, T. Agami Reddy외 1명|arXiv (Cornell University)|2017. 08. 22.

Solar Radiation and Photovoltaics참고 문헌 24인용 수 3

한 줄 요약

이 연구는 기후가 다양한 세 곳의 미국 도시에서 일시적인 태양 복사량 예측을 위한 시간 시리즈, 회귀 모형 및 신경망 모델을 평가한다. 월간 스케일링과 기상 구름을 회귀 변수로 사용한 LMX2 모델은 기존의 ARIMA 및 기본 모델보다 뛰어난 성능을 보였으며, 인공 신경망(ANN)은 가장 높은 정확도를 보여, 일시적인 태양 복사량 예측에서 ANN이 가장 효과적인 접근법임을 입증하였다.

ABSTRACT

The need to forecast solar irradiation at a specific location over short-time horizons has acquired immense importance. In this paper, we report on analyses results involving statistical and machine learning techniques to predict hourly horizontal solar irradiation at one-hour ahead horizon using data sets from three different cities in the U.S. with different climatic conditions. A simple forecast approach that assumes consecutive days are identical serves as a baseline model against which to compare competing forecast alternatives. One approach is to use seasonal ARIMA models. Surprisingly, such models are found to be poorer than the simple forecast. To account for seasonal variability and capture short-term fluctuations, cloud cover is an obvious variable to consider. Monthly models with cloud cover as regressor were found to outperform the simple forecast model. More sophisticated lagged moving average (LMX) models were also evaluated, and one of the variants, LMX2, identified at monthly time scales, proved to be the best choice. Finally, the LMX2 model is compared against artificial neural network (ANN) models and the latter proved to be more accurate. The companion paper will present algorithms and results of how such models can be used for 4-hr rolling horizon and 24-hr ahead forecasting.

연구 동기 및 목표

• 1시간 전망 태양 복사량 예측을 위한 통계적, 회귀 기반 및 기계 학습 모델을 비교하기 위해.
• 계절적 ARIMA, 지연 평균(LMX), 인공 신경망(ANN) 모델의 성능을 다양한 기후 조건 하에서 평가하기 위해.
• 기상 구름을 회귀 변수로 포함함으로써 예측 정확도 향상 영향을 평가하기 위해.
• 1시간 수준의 단기 태양 복사량 예측에 가장 정확한 모델 아키텍처를 특정하기 위해.
• 같은 날이 반복된다는 가정 하에 단순 예측 모델을 기준으로 기준선 설정하기 위해.

제안 방법

• 기본 예측 모델은 주어진 날의 태양 복사량이 이전 날과 동일하다는 가정을 한다.
• 시계열 패턴과 계절성을 반영하기 위해 계절적 ARIMA 모델을 적용한다.
• 계절적 및 단기 변동성을 반영하기 위해 기상 구름을 예측 변수로 포함한 월간 회귀 모델을 개발한다.
• 지연 평균(LMX) 모델, 특히 LMX2는 월간 시간 척도에서 예측 정확도 향상을 위해 평가된다.
• 인공 신경망(ANN) 모델은 역사적 복사량 및 기상 구름 데이터를 사용해 훈련 및 테스트한다.
• 세 곳의 미국 도시에서 기후 조건이 뚜렷이 다른 지역에서 RMSE 및 MAE와 같은 표준 지표를 사용해 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 계절적 ARIMA 모델은 1시간 태양 복사량 예측에서 단순 기본 예측 모델과 비교해 어떻게 성능을 보이는가?
• RQ2 기상 구름을 회귀 변수로 포함함으로써 월간 회귀 모델의 예측 정확도 향상이 가능한가?
• RQ3 LMX 모델 아키텍처의 어떤 변종이 1시간 전망 태양 복사량 예측에서 가장 뛰어난 성능을 보이는가?
• RQ4 이 예측 작업에서 인공 신경망의 성능은 전통적인 통계 및 회귀 모델과 비교해 어떻게 되는가?
• RQ5 기후 변동성의 영향이 미국의 다양한 도시에서 모델 성능에 미치는 상대적 영향은 어떠한가?

주요 결과

• 같은 날이 반복된다는 가정 하에 단순 기본 모델이 계절적 ARIMA 모델보다 뛰어난 성능을 보여, ARIMA가 이 수준의 예측에서 태양 복사량의 역학을 충분히 반영하지 못한다는 점을 시사한다.
• 기상 구름을 회귀 변수로 포함한 월간 회귀 모델은 기본 모델보다 예측 정확도가 크게 향상되었다.
• 월간 시간 척도에서 최적화된 LMX2 모델은 전통적 통계 모델 중에서 가장 뛰어난 성능을 보였다.
• 인공 신경망(ANN)은 LMX2를 포함한 모든 다른 모델보다 뛰어난 정확도를 보여, 1시간 전망 태양 복사량 예측에서 가장 뛰어난 성능을 보였다.
• LMX2 모델은 가장 뛰어난 성능을 보이는 통계 모델로 확인되었지만, ANN은 모든 시험 지역에서 가장 높은 예측 정확도를 제공하였다.