[논문 리뷰] Short-Term Solar Irradiance Forecasting Using Calibrated Probabilistic Models

Eric Zelikman, Sharon Zhou외 8명|arXiv (Cornell University)|2020. 10. 09.

Solar Radiation and Photovoltaics참고 문헌 37인용 수 7

한 줄 요약

이 논문은 단기 확률적 태양 복사량 예측을 위한 NGBoost와 CRUDE 사후 校정 방법을 제안하며, 내시계 해상도에서 최신 기술 수준의 성능을 달성하고, SURFRAD 데이터를 사용하여 시간 해상도에서 NWP 모델과 유사한 결과를 도출한다. 이 방법은 校정과 예측의 정밀도를 향상시켜, 기존의 기준 모델과 NWP 모델을 능가하는 주요 지표에서 트리 기반 부스팅 모델의 우수성을 입증한다.

ABSTRACT

Advancing probabilistic solar forecasting methods is essential to supporting the integration of solar energy into the electricity grid. In this work, we develop a variety of state-of-the-art probabilistic models for forecasting solar irradiance. We investigate the use of post-hoc calibration techniques for ensuring well-calibrated probabilistic predictions. We train and evaluate the models using public data from seven stations in the SURFRAD network, and demonstrate that the best model, NGBoost, achieves higher performance at an intra-hourly resolution than the best benchmark solar irradiance forecasting model across all stations. Further, we show that NGBoost with CRUDE post-hoc calibration achieves comparable performance to a numerical weather prediction model on hourly-resolution forecasting.

연구 동기 및 목표

• 공개된 SURFRAD 데이터를 활용하여 단기 태양 복사량 예측을 위한 최신 기술 수준의 확률적 모델을 개발하고 평가하는 것.
• 사후 校정 기법이 확률적 태양 복사량 예측의 신뢰성과 정밀도 향상에 미치는 영향을 조사하는 것.
• NGBoost를 포함한 현대적 기계 학습 모델의 성능을 다양한 미국 지점에서 기존 기준 모델과 NWP 모델과 비교하는 것.
• 보정된 확률적 모델이 시간 해상도에서 NWP 모델과 유사한 성능을 달성할 수 있는지 확인하는 것.

제안 방법

• 연구는 측정된 전체 수평 복사량과 외계 복사량 추정치로부터 유도된 명도 지수를 목표 변수로 사용한다.
• 네 가지 확률적 모델을 훈련한다: 가우시안 프로세스 회귀, 드롭아웃 신경망, 변분 신경망, 그리고 가우시안 출력 분포를 가진 NGBoost.
• 보존된 2017년 校정 데이터를 활용하여 校정 성능 향상을 위해 사후 校정 방법(CRUDE, Kuleshov, MLE)을 적용한다.
• 과적합을 줄이고 일반화 성능을 향상시키기 위해 자연 경로 부스팅을 사용한 NGBoost를 활용하며, 임의의 미분 가능한 사전 분포를 지원할 수 있는 능력을 활용한다.
• 일곱 개의 SURFRAD 지점에서 2018년 테스트 데이터를 대상으로 연속적 랭크 확률 점수(CRPS)와 校정 지표를 사용해 모델 성능을 평가한다.
• 명도 지수를 사용함으로써 시간적 시계열의 안정성과 일반화 능력을 향상시켜, 결정론적_atmospheric 및 태양 요인을 고려한다.

실험 결과

연구 질문

• RQ1 NGBoost에 사후 校정을 적용하면 기존의 확률적 예측 모델보다 내시계 태양 복사량 예측에서 승리할 수 있는가?
• RQ2 사후 校정이 다양한 미국 기후 유형에서 확률적 태양 복사량 예측의 신뢰성과 정밀도 향상에 유의미한 영향을 미치는가?
• RQ3 시간 해상도에서 NGBoost는 수치 기상 예측(NWP) 모델에 비해 예측 정확도에서 어떤가?
• RQ4 보정된 기계 학습 모델이 계산 비용이 큰 전통적 NWP 시스템 없이도 NWP 모델과 유사한 성능을 달성할 수 있는가?
• RQ5 다양한 校정 기법(CRUDE, Kuleshov, MLE)이 최종 예측 품질에 어떤 영향을 미치는가?

주요 결과

• NGBoost에 사후 校정을 적용하지 않은 경우, 내시계 예측 수준에서 일곱 개의 SURFRAD 지점 전역에서 모든 기준 모델을 능가하여 가장 낮은 CRPS를 기록했다.
• NGBoost에 CRUDE 校정을 적용한 결과, 지점 간 평균 校정 오차가 0.040에서 0.031로 감소하여 신뢰성이 크게 향상되었다.
• 시우스 폴스(Sioux Falls), SD에서 NGBoost에 CRUDE 校정을 적용한 CRPS는 37.9였으며, 다음으로 우수한 모델(CH-P) 대비 7.6% 향상된 성능을 기록했다.
• 시간 해상도에서 시우스 폴스(Sioux Falls)에서 NGBoost에 CRUDE 校정을 적용한 CRPS는 58.6이었으며, NWP 모델(58.8)을 능가하고 가장 우수한 NWP 변종과도 동등한 성능을 보였다.
• CRUDE와 Kuleshov 校정은 정밀도를 略도 저하시키는 대가로 校정을 향상시켰으며, 평균적으로 校정 오차를 22.5% 감소시켰다.
• 이 연구는 NGBoost에 사후 校정을 적용한 모델이 시간 해상도에서 NWP 모델과 유사한 성능을 달성할 수 있음을 입증하며, 전통적 NWP 시스템에 비해 계산 비용이 적은 대안임을 시사한다.