[論文レビュー] Very Short Term Time-Series Forecasting of Solar Irradiance Without Exogenous Inputs

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

Solar Radiation and Photovoltaics参考文献 17被引用数 5

ひとこと要約

本論文は、歴史的日射量データ、時刻、および場所のみを用いた、データ駆動型で外部入力を必要としない、非常に短期間の日射量予測手法を提案する。k近傍法回帰（kNNR）に最適化されたハイパーパrameterを用いることで、特に10〜20の近傍、季節的ラグ、透過率、60日間の訓練データを組み合わせることで、ARIMAを著しく上回る性能を示した。モデル探索空間は250,000以上から1,000未満にまで縮小され、15分間隔で1〜3時間先の予測において精度が向上した。

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.

研究の動機と目的

• 歴史的日射量、時刻、場所のデータのみを用いて、非常に短期間の太陽日射量予測の精度を向上させること。
• 多様な場所や季節において予測性能を最大化するハイパーパrameter設定を特定すること。
• kNNRおよびARIMAモデルのモデル選択における計算負荷を軽減するため、最小限で高い確率の探索空間を導出すること。
• 迅速な実装が可能な再現性があり、透明性のあるモデル選択フレームワークを提供すること。
• 外部変数を除いた同一条件下で、kNNRとARIMAモデルの性能を比較すること。

提案手法

• 本研究では、複数の場所および季節における15分間隔の歴史的太陽日射量データを用いて、k近傍法回帰（kNNR）および季節的k近傍法回帰（SNNR）を評価した。
• モデルの性能を比較するため、ラグ数、近傍数、訓練ウィンドウサイズ、データ前処理手法を含むハイパーパrameterを焦点として、ARIMAおよびSARIMAと比較した。
• 変動性を低減し、モデルの一般化性能を向上させるために、日射量を地上外日射量で正規化した透過率を入力として使用した。
• モデル選択プロセスでは、離散的な範囲におけるハイパーパrameterの体系的スイープを実施し、テストセットにおけるRMSEを性能指標として用いた。
• kNNRが優れた性能を示したことに着目し、各ハイパーパrameterが予測精度に与える影響を分析することで、縮小された探索空間を導出した。
• 最終的な探索空間は、非季節的ラグ1〜11、季節的ラグ1〜7、近傍数10〜20を含み、重みは均一で、k近傍定義は固定されたものとした。

実験結果

リサーチクエスチョン

• RQ1 外部入力のない条件下で、太陽日射量予測においてkNNRとARIMAのどちらの手法が優れた性能を示すか？
• RQ2 近傍数、ラグ数、訓練ウィンドウサイズといったハイパーパrameterが、異なる場所や季節において予測精度にどのように影響を与えるか？
• RQ3 データ前処理手法（例：透過率の使用、夜間データの含め方）は、モデル性能にどのように寄与するか？
• RQ4 計算コストを最小限に抑えつつ、高確率で正確なモデルを特定できるような縮小された探索空間を導出可能か？
• RQ5 近傍定義の選択（固定k近傍 vs. ε距離近傍）が、予測精度およびロバストネスに与える影響は何か？

主な発見

• kNNRおよびSNNRは、高精度な予測モデルを発見する可能性において、ARIMAおよびSARIMAを著しく上回った。
• 生の日射量ではなく透過率を用いることで、場所や季節を問わずモデルの性能と一般化性能が向上した。
• 参照サンプルに夜間データを含めることで、特にkNNRモデルのロバストネスが向上した。
• 60日間の訓練ウィンドウが、データの関連性とモデルの安定性のバランスを最適にした。
• 1〜3時間の予測において、季節的モデル（SNNR）は有効であり、特に季節的ラグ数を増加させると効果的であるが、15分間隔の予測では効果は限定的であった。
• 距離に基づく近傍定義ではなく、固定された近傍数（k）を用いることで、より一貫性があり正確な結果が得られ、kを10〜20の範囲に設定することで、性能と安定性の最良のトレードオフが達成された。