[논문 리뷰] Spatio-Temporal Forecasting by Coupled Stochastic Differential Equations: Applications to Solar Power

Emil B. Iversen, Rune Juhl외 4명|arXiv (Cornell University)|2017. 06. 14.

Water resources management and optimization인용 수 4

한 줄 요약

이 논문은 매우 짧은 예측 수준(초에서 분까지)에서 태양광 발전을 모델링하기 위해 결합된 스토하스틱 미분 방정식(SDE)을 사용하는 데이터 기반의 시공간 예측 프레임워크를 제안한다. 70개의 인버터로 구성된 공간 격자에서 국소적 구름 동역학을 모델링하고 이를 상호 연결함으로써, 기준 모델 대비 뛰어난 예측 정확도를 달성하면서도 1,680개의 난수 변수를 효율적으로 처리하여 전력 램프와 구름 경로의 실시간 예측을 가능하게 한다.

ABSTRACT

Spatio-temporal problems exist in many areas of knowledge and disciplines ranging from biology to engineering and physics. However, solution strategies based on classical statistical techniques often fall short due to the large number of parameters that are to be estimated and the huge amount of data that need to be handled. In this paper we apply known techniques in a novel way to provide a framework for spatio-temporal modeling which is both computationally efficient and has a low dimensional parameter space. We present a micro-to-macro approach whereby the local dynamics are first modeled and subsequently combined to capture the global system behavior. The proposed methodology relies on coupled stochastic differential equations and is applied to produce spatio-temporal forecasts for a solar power plant for very short horizons, which essentially implies tracking clouds moving across the field of solar power inverters. We outperform simple and complex benchmarks while providing forecasts for 70 spatial dimensions and 24 lead times (i.e., for a total number of random variables equal to 1680). The resulting model can provide all sorts of forecast products, ranging from point forecasts and co-variances to predictive densities, multi-horizon forecasts, and space-time trajectories.

연구 동기 및 목표

• 고해상도 시공간 태양광 발전 예측을 위한 계산 효율적이고 저차원 파rameter 모델을 개발하기 위해.
• 태양광 인버터 어레이에서의 구름 이동을 모델링하여 초단기(초에서 분까지) 전력 예측을 향상시키기 위해.
• 국소적 동역학을 포착하고 이를 글로벌 시스템으로 집계함으로써 물리 기반 및 데이터 기반의 시공간 모델 간 격차를 메우기 위해.
• 운영용 그리드 관리에 적합한 예측 밀도, 공분산 및 다중 수준 예측을 가능하게 하기 위해.
• 70차원 공간 격자와 24개의 리드 타임을 갖는 시스템에서의 확장성과 실시간 적용 가능성을 입증하기 위해.

제안 방법

• 모델은 마이크로에서 마크로로의 접근 방식을 사용한다: 각 인버터에서의 국소적 동역학은 결합된 스토하스틱 미분 방정식(SDE)을 통해 모델링된다.
• SDE는 시공간적 상관관계를 포착하는 이산화된 스토하스틱 편미분 방정식(SPDE) 시스템에서 유도된다.
• 기존 연구에서 추정한 구름 속도 벡터가 격자 전역으로 일조도를 전파하기 위한 입력으로 사용된다.
• 프레임워크는 결합 구조의 희박성(스parsity)을 활용한다 — 오직 인접한 격자 점들만 상호작용하므로 계산 복잡도가 감소한다.
• 모델은 모든 70개의 공간 위치와 24개의 리드 타임에 대해 점 예측, 예측 밀도, 공분산 및 다중 수준 경로를 출력한다.
• 이 방법은 코퍼 마운틴 태양광 시설에서의 96개 태양전지 인버터에서 확보한 1초 해상도 데이터를 기반으로 훈련되었으며, 5×14 인버터 서브셋에 집중한다.

실험 결과

연구 질문

• RQ1 저차원의 데이터 기반 SDE 프레임워크가 매우 단기 태양광 발전 예측에서 최신 기준 모델을 능가할 수 있는가?
• RQ2 결합된 SDE는 태양광 인버터 어레이의 공간 격자에서 구름에 의한 전력 변동을 얼마나 효과적으로 모델링할 수 있는가?
• RQ3 공간적 동역학을 통합할 경우 순수 시간적 모델 대비 집합적 전력 예측 정확도가 얼마나 향상되는가?
• RQ4 모델이 점 예측 외에도 예측 밀도 및 공분산 구조를 생성할 수 있는가, 이는 운영 의사결정에 기여하는가?
• RQ5 특히 급격한 램프 이벤트를 예측할 때, 다양한 구름 속도와 방향에서 모델의 성능은 어떠한가?

주요 결과

• 제안된 SDE 기반 모델은 모든 예측 수준에서 단순 및 복잡한 기준 모델을 모두 초월하며, 지속성 모델 및 최신 기술 모델을 포함한다.
• 모델은 높은 계산 효율성과 낮은 파rameter 수를 바탕으로 1,680개의 난수 변수(70개 공간 위치 × 24개 리드 타임)를 성공적으로 예측한다.
• 공간적 동역학의 통합은 특히 구름 통과로 인한 급격한 전력 램프 예측 정확도 향상에 크게 기여한다.
• 모델은 신뢰할 수 있는 예측 밀도 및 공분산 구조를 생성하여 그리드 운영자에게 확률적 예측을 가능하게 한다.
• 정확한 구름 속도 벡터 추정에 매우 민감하며, 속도에 대한 작은 오차가 시간이 지남에 따라 예측 품질 저하로 이어진다.
• 모델은 구름 속도와 방향에 따라 30~60초 전에 전력 램프에 대한 조기 경고를 생성할 수 있다.