[論文レビュー] Bayesian Renewables Scenario Generation via Deep Generative Networks

Yize Chen, Pan Li+1 more|arXiv (Cornell University)|Feb 2, 2018

Generative Adversarial Networks and Image Synthesis被引用数 8

ひとこと要約

本稿では、歴史的風力および太陽光時系列データから直接に複数の異なるデータモードを学習することで、多様で物理的に現実的な再生可能エネルギーのシナリオを生成するためのベイジアン生成対抗ネットワーク（ベイジアン GAN）を提案する。GANフレームワークにベイジアン推論を組み込むことで、高風速、低風速、または高ばらつき状態などの異なるダイナミクス的挙動を捉える複数の生成器を訓練可能となり、従来の統計的または非ベイジアン GAN アプローチに比べ、多様性と正確性が向上したモデルフリーのシナリオ生成が可能となる。

ABSTRACT

We present a method to generate renewable scenarios using Bayesian probabilities by implementing the Bayesian generative adversarial network~(Bayesian GAN), which is a variant of generative adversarial networks based on two interconnected deep neural networks. By using a Bayesian formulation, generators can be constructed and trained to produce scenarios that capture different salient modes in the data, allowing for better diversity and more accurate representation of the underlying physical process. Compared to conventional statistical models that are often hard to scale or sample from, this method is model-free and can generate samples extremely efficiently. For validation, we use wind and solar times-series data from NREL integration data sets to train the Bayesian GAN. We demonstrate that proposed method is able to generate clusters of wind scenarios with different variance and mean value, and is able to distinguish and generate wind and solar scenarios simultaneously even if the historical data are intentionally mixed.

研究の動機と目的

• 電力系統計画および運用において、高風速／低風速、ランプイベントなど複数の明確な運用モードを捉える物理的に現実的で多様な再生可能エネルギーのシナリオを生成する課題に対処すること。
• 従来の統計モデルや標準的な GAN が、しばしば異なるデータモードを分離できず、混合的で代表的でないシナリオを生成するという限界を克服すること。
• 明示的な確率的モデリングや時間のかかるサンプリング手順を必要とせず、効率的かつスケーラブルなシナリオ生成を可能にすること。
• 歴史的データが混合されている状況でも、風力と太陽光などの異なる再生可能資源に対して、それぞれ別々の空間的・時間的パターンを学習・生成できることを実証すること。

提案手法

• 生成対抗ネットワーク（GAN）フレームワーク内にベイジアン定式化を採用し、生成器および識別器のニューラルネットワーク重みを事前分布および事後分布を持つ確率変数として扱う。
• マルコフ連鎖モンテカルロ（MCMC）サンプリングを用いて、ネットワーク重み上の事後分布全体を探索し、それぞれがデータ内の異なるモードを表す複数の生成器の発見を可能にする。
• 複数の生成器（シミュレーションでは J = 4、M = 4）を並列に訓練し、それぞれが異なる統計的特性（例：平均、分散、ランプ頻度）を持つシナリオのクラスタを捉える。
• 歴史的時系列データ（例：テキサス州やノースダコタ州の24か所の風力発電所）を行列としてGANに入力し、複数の地点間の空間的・時間的相関関係を保持する。
• 生成されたシナリオが実データと分布的に区別できないようにする敵対的訓練目的関数を活用するとともに、ベイジアン推論によりモードの分離を保証する。
• ピアソン相関係数による風力発電所間の相関関係や、シナリオダイナミクスの視覚的検証を含む統計的指標を用いて、シナリオ品質を検証する。

実験結果

リサーチクエスチョン

• RQ1 混合された歴史的データから、高風速対比低風速条件などの複数の異なる再生可能エネルギーのシナリオモードを、ベイジアン GAN フレームワークが効果的に学習・生成できるか。
• RQ2 本手法は、実際の歴史的データと比較して、複数地点の風力発電シナリオにおける複雑な空間的・時間的相関関係をどの程度正確に保持できるか。
• RQ3 標準的な GAN や伝統的な統計モデルに比べて、再生可能エネルギー発電ダイナミクスの全多様性をどの程度効果的に捉えられるか。
• RQ4 混合データで学習した場合でも、風力と太陽光のプロファイルに対して別々に物理的に意味のあるシナリオを生成できるか。
• RQ5 多数の相関する再生可能発電所を含む大規模電力系統応用に適した、ベイジアン GAN アプローチのスケーラビリティおよび効率性はどの程度か。

主な発見

• ベイジアン GAN は4つの明確に異なる生成器を正常に訓練し、それぞれが固有の統計的モードを捉えた。生成器2は平均値と分散が著しく低い、穏やかな条件を表すシナリオを生成したのに対し、生成器1は高出力でランプが顕著なプロファイルを捉えていた。
• 箱ひげ図による平均値と分散の可視化から、複数の生成器間で明確に異なるダイナミクス的挙動が確認され、複数の生成器による有効なモード分離が実証された。
• ノースダコタ州の24か所の風力発電所について、2つの生成器がそれぞれ異なる空間的・時間的相関構造を学習しており、相関係数行列が実際の歴史的データと非常に近い値を示した。
• 風力と太陽光のデータが混合された状況でも、本手法は風力と太陽光のプロファイルを区別し、それぞれ別々のシナリオを生成できた。これは、データ混合に対して高いロバストネスを示している。
• 明示的な分布モデリングを必要とせず、高精度なシナリオ生成が可能であり、大規模電力系統応用に適した高速でフォワード推論が実現できた。
• 非ベイジアン GAN よりも優れた性能を示し、混合モードのシナリオを回避するとともに、最適化や計画用途に適した解釈可能で物理的に意味のあるシナリオクラスタを提供した。