[论文解读] Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context

Oussama Boussif, Ghait Boukachab+5 more|arXiv (Cornell University)|Jun 1, 2023

Solar Radiation and Photovoltaics被引用 9

一句话总结

引入 CrossViViT，一种多模态变换器架构，将卫星时空上下文与历史时间序列融合，用于预测日一天时的 Global Horizontal Irradiance (GHI)，并通过多分位点头来估计预测不确定性，在多个观测站和分布外情景下进行评估。

ABSTRACT

Solar power harbors immense potential in mitigating climate change by substantially reducing CO$_{2}$ emissions. Nonetheless, the inherent variability of solar irradiance poses a significant challenge for seamlessly integrating solar power into the electrical grid. While the majority of prior research has centered on employing purely time series-based methodologies for solar forecasting, only a limited number of studies have taken into account factors such as cloud cover or the surrounding physical context. In this paper, we put forth a deep learning architecture designed to harness spatio-temporal context using satellite data, to attain highly accurate extit{day-ahead} time-series forecasting for any given station, with a particular emphasis on forecasting Global Horizontal Irradiance (GHI). We also suggest a methodology to extract a distribution for each time step prediction, which can serve as a very valuable measure of uncertainty attached to the forecast. When evaluating models, we propose a testing scheme in which we separate particularly difficult examples from easy ones, in order to capture the model performances in crucial situations, which in the case of this study are the days suffering from varying cloudy conditions. Furthermore, we present a new multi-modal dataset gathering satellite imagery over a large zone and time series for solar irradiance and other related physical variables from multiple geographically diverse solar stations. Our approach exhibits robust performance in solar irradiance forecasting, including zero-shot generalization tests at unobserved solar stations, and holds great promise in promoting the effective integration of solar power into the grid.

研究动机与目标

• 通过引入超越本地时间序列的云驱动时空上下文，推动准确的日先前 GHI 预测。
• 开发一个多模态深度学习架构，将卫星影像与历史太阳数据融合。
• 提供提取每个时间步预测分布（不确定性）的机制。
• 创建跨多样化观测站的多模态、长时段卫星影像与太阳变量数据集。
• 提出一种测试方案，将易云和难云情景分离，以在具挑战性的条件下评估性能。

提出的方法

• 提出 CrossViViT，即 Cross Video Vision Transformer，使用单独的变换器和跨注意力联合编码过去的时间序列和卫星上下文，以构建用于未来预测的统一潜在表示。
• 使用 ROtary Positional Encoding (ROPE) 来编码时空坐标以及上下文补丁与时间序列标记的相对位置。
• 在训练时对过去上下文的部分进行掩码，以作为正则化，鼓励对上下文的依赖。
• 通过基于 Transformer 的解码器进行解码，以生成未来时间序列预测。
• 将 CrossViViT 扩展为多分位头，以预测多个分位数，从而为每个时间步提供预测区间（例如 0.02–0.98）。
• 组装一个多模态数据集，结合15年的卫星影像（RSS）与六个太阳观测站和24小时历史，用于24小时前瞻的 GHI 预测，包括推导指标如 DHI、DNI 和晴空分量。

实验结果

研究问题

• RQ1 基于卫星的时空上下文是否能在单个观测站相较于时间序列基线改进日先前的 GHI 预测？
• RQ2 CrossViViT 在未见观测站和年份的零样本预测中的表现如何？
• RQ3 多分位扩展是否为云驱动的波动提供可靠的预测区间？
• RQ4 使用 ROPE 相对于学习嵌入在分布外性能上的影响？
• RQ5 将易云与难云情景拆分的专用测试方案如何揭示模型的优点与不足？

主要发现

• CrossViViT 实现了稳健的日先前 GHI 预测性能，并对未见观测站表现出零样本泛化。
• 多分位扩展提供具有相当高区间覆盖率的不确定性估计。
• 消融研究表明 RoPE 有助于在分布外的观测站和具有挑战性的（多云）日子上实现更好表现。
• 将易云与难云情景分离的测试方案揭示了模型在云移动强烈影响辐照度的困难日子上的优势。
• 一个将卫星影像与太阳辐射测量数据结合的新的多模态数据集，覆盖14年和六个站点，使在多种条件下测试时空预测模型成为可能。