[논문 리뷰] Forecasting Spatio-Temporal Renewable Scenarios: a Deep Generative Approach

Congmei Jiang, Yize Chen외 3명|arXiv (Cornell University)|2019. 03. 13.

Energy Load and Power Forecasting참고 문헌 26인용 수 7

한 줄 요약

이 논문은 명시적인 통계적 가정에 의존하지 않고 다중 지점에서의 시공간 재생 가능 에너지 시나리오를 예측하기 위해 향상된 생성 적대적 네트워크(GAN) 기반의 딥 생성 모델을 제안한다. 점 예측을 활용하고 최적화 문제를 해결함으로써, 시간적 및 공간적 상관관계를 유지하면서도 현실적이고 고해상도의 시나리오를 생성한다. 이는 시나리오 수나 예측 수평선에 제한이 없으며, 실제 풍력 및 태양광 데이터셋에서 강력한 성능을 보여준다.

ABSTRACT

The operation and planning of large-scale power systems are becoming more challenging with the increasing penetration of stochastic renewable generation. In order to minimize the decision risks in power systems with large amount of renewable resources, there is a growing need to model the short-term generation uncertainty. By producing a group of possible future realizations for certain set of renewable generation plants, scenario approach has become one popular way for renewables uncertainty modeling. However, due to the complex spatial and temporal correlations underlying in renewable generations, traditional model-based approaches for forecasting future scenarios often require extensive knowledge, while fitted models are often hard to scale. To address such modeling burdens, we propose a learning-based, data-driven scenario forecasts method based on generative adversarial networks (GANs), which is a class of deep-learning generative algorithms used for modeling unknown distributions. We firstly utilize an improved GANs with convergence guarantees to learn the intrinsic patterns and model the unknown distributions of (multiple-site) renewable generation time-series. Then by solving an optimization problem, we are able to generate forecasted scenarios without any scenario number and forecasting horizon restrictions. Our method is totally model-free, and could forecast scenarios under different level of forecast uncertainties. Extensive numerical simulations using real-world data from NREL wind and solar integration datasets validate the performance of proposed method in forecasting both wind and solar power scenarios.

연구 동기 및 목표

• 불확실성 하에서 고차원적이고 복잡한 시공간 상관관계를 재생 가능 에너지 발전에 모델링하는 문제를 해결하기 위해.
• 광범위한 영역 지식과 강력한 통계적 가정을 필요로 하는 전통적인 모델 기반 시나리오 생성 방법의 한계를 극복하기 위해.
• 다양한 지리적 지점에서 풍력 및 태양광 발전의 현실적인 미래 시나리오를 생성하기 위한 확장 가능하고 데이터 기반이며 모델에 의존하지 않는 접근법을 개발하기 위해.
• 어떤 수의 시나리오나 예측 수평선에 대해서도 유연한 시나리오 생성을 가능하게 하여 전력 시스템 계획에서의 확률적 최적화를 지원하기 위해.

제안 방법

• 수렴 보장을 갖춘 향상된 GAN 아키텍처를 사용하여 역사적 데이터로부터 다중 지점 재생 가능 에너지 시계열의 기본 데이터 분포를 학습한다.
• 이 방법은 다중 위치 및 시간 단위에서의 재생 가능 전력 출력의 공동 분포를 모델링하기 위해 비지도 학습 방식으로 훈련된다.
• 훈련 후, 점 예측을 입력으로 사용하여 제약 조건이 있는 최적화 문제를 해결함으로써 시나리오 수나 예측 수평선에 제한이 없는 미래 시나리오를 생성한다.
• 최적화 과정은 생성된 시나리오가 예측 평균과 일치하면서도 실제 데이터에서 관찰된 고유한 시간적 및 공간적 상관관계를 유지하도록 보장한다.
• 이 프레임워크는 즉시 사용이 가능하며, 어떤 오프더쇼프 포인트 예측 모델과도 호환되어 기존 예측 파이프라인에 통합할 수 있다.
• 공간적 상관관계는 K×T 데이터 행렬(K개 지점, T개 시간 단위)을 GAN에 입력함으로써 유지되며, 이는 생성된 시나리오에서 현실적인 사이트 간 의존성을 보장한다.

실험 결과

연구 질문

• RQ1 정규화된 가정에 의존하지 않고도 딥 생성 모델이 다중 지점 재생 가능 에너지의 복잡한 시공간 의존성을 효과적으로 포착할 수 있는가?
• RQ2 실제 역사적 데이터와 비교했을 때, GAN 기반 접근법이 생성된 시나리오에서 균일 분포, 시간 자기상관관계 및 공간 교차상관관계를 얼마나 잘 유지하는가?
• RQ3 이 방법이 어떤 수의 시나리오나 예측 수평선에 대해 제약 없이 현실적인 시나리오를 생성할 수 있는가?
• RQ4 기존의 포인트 예측 모델과 통합하여 고품질의 불확실성 인식 시나리오 예측을 생성할 수 있는가? 이는 전력 시스템 운영에 기여한다.

주요 결과

• 누적분포함수(CDF) 비교를 통해 생성된 시나리오가 실제 풍력 및 태양광 전력 데이터의 균일 분포를 정확히 유지함을 확인하였다.
• 자기상관도 플롯을 통해 생성된 시나리오의 시간적 상관관계가 실제 데이터와 유사하며, 역사적 패턴과 일치함을 입증하였다.
• 다중 풍력 발전소 간 공간적 상관관계가 효과적으로 유지되었으며, 생성된 시나리오의 교차상관행렬이 측정된 데이터와 매우 유사하였다.
• 다양한 예측 간격에서 다양한 통계적 특성을 가진 시나리오를 성공적으로 생성하여, 다양한 불확실성 수준에서도 영향을 받지 않는 유연성을 보였다.
• 시각적 점검과 정량적 분석을 통해 생성된 시나리오의 동적 행동이 여러 풍력 발전소의 실제 역사적 시계열과 일치함을 확인하였다.
• 시나리오 수나 예측 수평선에 제약 없이 고해상도의 시나리오 생성을 달성하여, 확률적 최적화에서의 확장 가능한 활용이 가능함을 입증하였다.