[논문 리뷰] Open-Source Ground-based Sky Image Datasets for Very Short-term Solar Forecasting, Cloud Analysis and Modeling: A Comprehensive Survey

Yuhao Nie, Xiatong Li외 4명|arXiv (Cornell University)|2022. 11. 27.

Solar Radiation and Photovoltaics인용 수 4

한 줄 요약

이 논문은 매우 단기적인 태양광 예측, 구름 분석 및 모델링을 위한 72개의 오픈소스 지상 천체 이미지 데이터셋에 대한 종합적인 서베이를 제시한다. 연구자들이 태양 복사량 예측, 구름 분할, 분류 및 운동 추정에 대한 딥러닝 응용 프로그램에 최적의 데이터를 선택할 수 있도록, 8개 차원에 걸친 다기준 순위 매기기 체계를 도입한다.

ABSTRACT

Sky-image-based solar forecasting using deep learning has been recognized as a promising approach in reducing the uncertainty in solar power generation. However, one of the biggest challenges is the lack of massive and diversified sky image samples. In this study, we present a comprehensive survey of open-source ground-based sky image datasets for very short-term solar forecasting (i.e., forecasting horizon less than 30 minutes), as well as related research areas which can potentially help improve solar forecasting methods, including cloud segmentation, cloud classification and cloud motion prediction. We first identify 72 open-source sky image datasets that satisfy the needs of machine/deep learning. Then a database of information about various aspects of the identified datasets is constructed. To evaluate each surveyed datasets, we further develop a multi-criteria ranking system based on 8 dimensions of the datasets which could have important impacts on usage of the data. Finally, we provide insights on the usage of these datasets for different applications. We hope this paper can provide an overview for researchers who are looking for datasets for very short-term solar forecasting and related areas.

연구 동기 및 목표

• 기계 학습 및 딥러닝 응용 프로그램을 위한 매우 단기적인 태양광 예측에 적합한 오픈소스 지상 천체 이미지 데이터셋을 식별하고 카탈로그화하는 것.
• 전 세계적으로 포괄적인 데이터셋 목록을 구축하여 매우 단기적인 태양광 예측에서의 데이터 부족 및 다양성 부족 문제를 해결하는 것.
• 모델 성능 및 사용성에 영향을 주는 요소를 바탕으로 데이터셋을 순위 매길 수 있는 다기준 평가 프레임워크를 개발하는 것.
• 연구자들이 구름 분할, 분류, 운동 예측 및 태양 복사량 예측을 위한 적절한 데이터셋을 선택할 수 있도록 실질적인 통찰과 접근 경로를 제공하는 것.

제안 방법

• 지역적 및 기후적 특성이 다양한 곳에서 72개의 오픈소스 천체 이미지 데이터셋을 체계적으로 서베이하고 수집하였으며, 주로 지상형 전천상 이미징기(ASIs) 및 천체 편광 이미지(SPIs)에 집중하였다.
• 지리적 위치, 시간 및 공간 해상도, 이미지 형식, 구름 레이블링 유형, 이미지 수, 이미지 크기, 시간 커버리지, 데이터 접근 방법을 포함한 8개 차원의 메타데이터를 포함한 상세한 데이터베이스를 구축하였다.
• 이미지 해상도, 시간 빈도, 구름 주석 품질, 데이터 접근성과 같은 요소를 포함한 8개 평가 차원을 활용해, 다양한 응용 요구사항에 맞는 데이터셋 순위 매기기 체계를 설계하였다.
• 매개변수별로 매우 단기적인 태양 복사량 예측, 구름 분할, 구름 분류, 구름 운동 예측 등의 작업에 적합한 데이터셋을 평가하였다.
• 딥러닝 및 컴퓨터 비전 연구에 활용하기 쉽게 각 데이터셋에 대한 직접 접근 링크와 사용 지침을 제공하였다.
• 주로 태양광 예측, 구름 분석 등의 응용 분야에 따라 데이터셋을 분류하고, 발표된 논문들과의 교차 참조를 통해 실제 연구에서의 활용도를 검증하였다.

실험 결과

연구 질문

• RQ1 매우 단기적인 태양광 예측(예측 기간 <30분)에 가장 적합한 오픈소스 지상 천체 이미지 데이터셋은 무엇인가요?
• RQ2 이미지 해상도, 시간 빈도, 구름 주석 품질 등의 다양한 데이터셋 특성이 태양 복사량 예측을 위한 딥러닝 모델의 성능에 어떻게 영향을 미치나요?
• RQ3 최근에 천체 이미지를 활용한 구름 분할, 분류 및 운동 예측 연구에서 가장 흔하게 사용된 데이터셋은 무엇인가요?
• RQ4 가용한 데이터셋의 지리적 및 기후 분포는 태양광 예측 모델의 일반화 능력에 어떻게 영향을 미치나요?
• RQ5 태양 에너지 예측 또는 구름 모델링을 위한 특정 응용 분야에서 천체 이미지 데이터셋을 선택할 때 연구자들이 우선적으로 고려해야 할 기준은 무엇인가요?

주요 결과

• 전 세계 다양한 기후대와 지리적 위치를 포함하여 총 72개의 오픈소스 지상 천체 이미지 데이터셋을 식별하고 카탈로그화하였다.
• 8개 차원에 걸친 포괄적인 메타데이터를 포함한 데이터셋 데이터베이스를 구축하여 특정 연구 요구사항에 맞는 체계적 비교 및 선택을 가능하게 하였다.
• 다기준 순위 매기기 체계는 각 응용 분야에서 최고 성능을 보이는 데이터셋을 성공적으로 식별하였으며, SRRL-BMS, SIRTA, ARM-SGP, SKIPP’D 등의 데이터셋은 태양광 예측 분야에서 높은 순위를 기록하였다.
• MGCD, GRSCD, WMD와 같은 구름 분류 데이터셋은 이미지 또는 픽셀 수준에서 WMO 기반의 구름 유형 레이블을 제공하며 높은 주석 품질을 확보하였다.
• 서베이 결과, 19개의 데이터셋이 140편 이상의 발표 논문에서 사용된 것으로 확인되어, 태양광 예측 및 구름 모델링 연구의 발전에 활발히 기여하고 있음을 입증하였다.
• 다양한 데이터셋이 존재하는 상황이지만, 열대 및 갈라진 기후 지역에 대한 커버리지에 여전히 심각한 격차가 존재하여, 더 다양한 데이터 수집이 필요하다는 점을 드러냈다.