[논문 리뷰] PVNet: A LRCN Architecture for Spatio-Temporal Photovoltaic PowerForecasting from Numerical Weather Prediction

Johan Mathe, Nina Miolane외 2명|arXiv (Cornell University)|2019. 02. 04.

Solar Radiation and Photovoltaics참고 문헌 26인용 수 17

한 줄 요약

PVNet는 독일 전역의 집계된 태양광(PV) 발전량을 예측하기 위해 밀도 높은 시공간적 수치 기상 예측(NWP)과 물리 모델 출력을 통합한 장기 순환 합성곱 신경망(LRCN)을 제안한다. 최신 기술 모델 대비 정규화된 제곱근 평균 제곱오차(nRMSE)를 1.38% 향상시키며, 민감도 분석을 통해 일사량과 흐린 하늘의 영향이 공간적으로 가장 뚜렷한 것으로 나타났다.

ABSTRACT

Photovoltaic (PV) power generation has emerged as one of the lead renewable energy sources. Yet, its production is characterized by high uncertainty, being dependent on weather conditions like solar irradiance and temperature. Predicting PV production, even in the 24-hour forecast, remains a challenge and leads energy providers to left idling - often carbon emitting - plants. In this paper, we introduce a Long-Term Recurrent Convolutional Network using Numerical Weather Predictions (NWP) to predict, in turn, PV production in the 24-hour and 48-hour forecast horizons. This network architecture fully leverages both temporal and spatial weather data, sampled over the whole geographical area of interest. We train our model on an NWP dataset from the National Oceanic and Atmospheric Administration (NOAA) to predict spatially aggregated PV production in Germany. We compare its performance to the persistence model and state-of-the-art methods.

연구 동기 및 목표

• 태양 일사량과 기상 조건의 변동성이 크기 때문에, 독일 전역에서 24시간 및 48시간의 시공간적 태양광 발전량 예측을 정확히 수행하는 데 도전하는 것.
• 수치 기상 예측(NWP) 데이터의 시간적 및 공간적 차원을 모두 활용하는 딥러닝 모델을 개발하여, 기상 변수를 고립된 점으로 취급하지 않는 것.
• 일반적인 예측 모델과 최신 기술 모델을 초월해, 통합된 아키텍처에 고밀도의 시공간적 NWP 입력을 통합함으로써 예측 정확도를 향상시키는 것.
• 접촉 민감도 분석을 통해 입력 변수가 PV 예측에 미치는 공간적 영향을 시각화함으로써 모델의 해석 가능성 향상.
• PVNet와 민감도 분석을 조합함으로써 지리적 지역별로 태양광 발전량의 표면 밀도를 추정할 수 있음을 입증하는 것.

제안 방법

• 모델은 장기 순환 합성곱 신경망(LRCN) 아키텍처를 사용하며, 공간적 특징 추출을 위한 합성곱 신경망(CNN)과 시간적 모델링을 위한 순환 신경망(RNN), 특히 LSTMs를 결합한다.
• 입력 데이터에는 독일 전역의 2차원 공간 격자상 수치 기상 예측(NWP) 변수(예: 일사량, 온도, 흐린 하늘)와 물리 모델 출력(예: 맑은 하늘 일사량) 및 이력 PV 발전량의 1차원 시계열 데이터가 포함된다.
• LRCN은 공간적 NWP 데이터를 합성곱층을 통해 처리하여 공간 패턴을 추출한 후, 이를 LSTMs에 입력하여 시퀀스 내 시간적 의존성을 모델링한다.
• 모델은 24시간 및 48시간 예측 수준에서 독일 전역의 공간 집계 PV 발전량을 예측하기 위해 NOAA의 NWP 데이터셋을 기반으로 훈련된다.
• 접촉 민감도 분석은 입력 변수의 공간 패치를 마스킹하고 예측된 발전량의 변화를 측정하여, 각 변수의 공간적 영향을 평가하는 데 사용된다.
• 결과는 독일 지리에 겹쳐진 히트맵으로 시각화되어, 각 입력 변수가 PV 예측에 미치는 지리적 영향을 해석하는 데 기여한다.

실험 결과

연구 질문

• RQ1 LRCN 아키텍처는 태양광 발전량 예측을 위한 수치 기상 예측(NWP) 데이터의 공간적 및 시간적 구조를 효과적으로 모델링할 수 있는가?
• RQ2 고밀도의 시공간적 NWP 및 물리 모델 입력을 포함함으로써, 점 기반 또는 시간적 데이터만을 사용하는 모델에 비해 예측 정확도는 어떻게 향상되는가?
• RQ3 기상 변수(예: 일사량, 흐린 하늘, 온도) 중에서 독일 전역에서 태양광 발전량 예측에 가장 강한 공간적 영향을 미치는 것은 무엇인가?
• RQ4 접촉 민감도 분석을 통해 모델의 입력 변수에 대한 주의 집중이 의미 있는 지리적 패턴을 드러낼 수 있는가?
• RQ5 PVNet와 민감도 분석을 조합함으로써, 지역별 태양광 발전량의 표면 밀도를 얼마나 정확히 추정할 수 있는가?

주요 결과

• PVNet는 국가 전체의 집계된 PV 발전량 예측에서 최신 기술 모델 대비 정규화된 제곱근 평균 제곱오차(nRMSE)를 1.38% 감소시켰다.
• 접촉 민감도 분석 결과, 일사량이 PV 예측에 가장 높은 공간적 영향을 미치며, 그 다음으로 흐린 하늘, 맑은 하늘 일사량, 지속성, 온도의 순서로 영향력이 높았다.
• 민감도 맵은 남부 및 동부 독일에서 모델의 주의 집중이 더 높은 것으로 나타났으며, 이는 실제 PV 발전량 밀도와 상관관계가 있어 모델의 공간적 추론 능력을 검증했다.
• 모델는 입력 기상 변수와 PV 출력 간의 위치 기반 관계를 효과적으로 학습하여 순수 예측을 넘어서서 더 나은 추론 능력을 보였다.
• 공간적 NWP 데이터의 통합은 예측 성능을 크게 향상시켰으며, 점 기반 또는 희소한 공간 데이터보다 고밀도 공간 입력의 가치를 확인했다.
• PVNet와 민감도 분석의 조합은 지역별로 태양광 발전량의 표면 밀도를 추정할 수 있게 하여, 에너지 계획자들이 PV 잠재력을 평가하는 데 새로운 도구를 제공한다.