[논문 리뷰] Very Short Term Time-Series Forecasting of Solar Irradiance Without Exogenous Inputs

Christian A. Hans, Elin Klages|arXiv (Cornell University)|2018. 10. 13.

Solar Radiation and Photovoltaics참고 문헌 17인용 수 5

한 줄 요약

이 논문은 역사적 일광 조사 데이터, 시간, 위치만을 사용하여 매우 단기적인 일광 조사 예측을 위한 데이터 기반, 외부 입력이 없는 접근법을 제안한다. k-최근접 이웃 회귀(kNNR)와 최적화된 초모수—특히 10~20개의 이웃, 계절적 지연항목, 투과도, 60일 간의 학습 데이터—를 사용할 경우 ARIMA보다 유의미하게 뛰어난 성능을 보이며, 모델 검색 공간을 250,000개 이상에서 1,000개 이하로 줄여 15분 간격으로 1~3시간 예측 수준에서 정확도를 향상시킨다.

ABSTRACT

This paper compares different forecasting methods and models to predict average values of solar irradiance with a sampling time of 15 min over a prediction horizon of up to 3 h. The methods considered only require historic solar irradiance values, the current time and geographical location, i.e., no exogenous inputs are used. Nearest neighbor regression (NNR) and autoregressive integrated moving average (ARIMA) models are tested using different hyperparameters, e.g., the number of lags, or the size of the training data set, and data from different locations and seasons. The hyperparameters and their effect on the forecast quality are analyzed to identify properties which are likely to lead to good forecasts. Using these properties, a reduced search space is derived to identify good forecasting models much faster.

연구 동기 및 목표

• 역사적 일광 조사, 시간, 위치 데이터만을 사용하여 매우 단기적인 일광 조사 예측 정확도를 향상시키기 위해.
• 다양한 위치와 계절에서 예측 성능을 최대화하는 초모수 설정을 규명하기 위해.
• kNNR 및 ARIMA 모델의 모델 선택에 대한 계산 부담을 줄이기 위해 최소한이면서 높은 확률의 검색 공간을 도출하기 위해.
• 더 빠른 배포를 가능하게 하는 재현 가능하고 투명한 모델 선택 프레임워크를 제공하기 위해.
• 외부 변수를 배제한 동일한 조건에서 kNNR 및 ARIMA 모델의 성능을 비교하기 위해.

제안 방법

• 다양한 위치와 계절에서의 15분 간격 역사적 일광 조사 데이터를 사용하여 k-최근접 이웃 회귀(kNNR) 및 계절적 kNNR(SNNR)를 평가한다.
• 학습 윈도우 크기, 데이터 전처리 방법 등을 포함한 초모수인 지연항목 수, 이웃 수, 학습 윈도우 크기 등을 고려하여 ARIMA 및 SARIMA와 비교한다.
• 변동성을 줄이고 모델 일반화 능력을 향상시키기 위해 일광 조사량을 외계 일광 조사량으로 정규화한 투과도를 입력으로 사용한다.
• 성능은 테스트 세트에서의 RMSE로 측정하며, 이산적인 범위에서 초모수를 체계적으로 스캔하는 방식으로 모델 선택 과정을 수행한다.
• kNNR가 우수한 성능를 보이므로, 각 초모수가 예측 정확도에 미치는 영향을 분석하여 검색 공간을 축소한다.
• 최종 검색 공간에는 1~11개의 비계절적 지연항목, 1~7개의 계절적 지연항목, 10~20개의 이웃이 포함되며, 균일한 가중치와 고정된 k-이웃 정의를 사용한다.

실험 결과

연구 질문

• RQ1 외부 입력이 없는 조건에서 일광 조사 예측에 있어 kNNR와 ARIMA 중 어느 모델이 더 뛰어난 성능을 보이는가?
• RQ2 이웃 수, 지연항목 수, 학습 윈도우 크기 등의 초모수는 다양한 위치와 계절에서 예측 정확도에 어떻게 영향을 미치는가?
• RQ3 데이터 전처리 기법(예: 투과도 사용, 야간 데이터 포함)은 모델 성능을 어떻게 향상시키는가?
• RQ4 계산 비용을 최소화하면서도 높은 확률로 정확한 모델을 식별할 수 있는 축소된 검색 공간을 도출할 수 있는가?
• RQ5 이웃 정의 방식(고정 k vs. ε-거리 기반)의 선택은 예측 정확도와 안정성에 어떤 영향을 미치는가?

주요 결과

• kNNR 및 SNNR는 ARIMA 및 SARIMA보다 높은 정확도의 예측 모델을 찾을 가능성이 뚜렷하게 높다.
• 원시 일광 조사량 대신 투과도를 사용할 경우, 다양한 위치와 계절에서 모델 성능과 일반화 능력이 향상된다.
• 기준 샘플에 야간 데이터를 포함시킴으로써 모델의 안정성이 향상되며, 특히 kNNR 모델에서 두드러진다.
• 60일 간의 학습 윈도우는 데이터의 관련성과 모델 안정성 사이에 최적의 균형을 이룬다.
• 1~3시간 예측에 대해 계절 모델(SNNR)은 유용하며, 특히 계절적 지연항목 수를 늘릴 경우 성능 향상이 두드러지나, 15분 예측에는 영향이 미미하다.
• 고정된 이웃 수(k)는 거리 기반 이웃 정의보다 더 일관되고 정확한 결과를 도출하며, k 값이 10~20일 경우 성능과 안정성 사이의 최적의 균형을 이룬다.