Sky-image-based solar forecasting using deep learning with multi-location data: training models locally, globally or via transfer learning?

要約

地上ベースのスカイ画像からの太陽予測は、太陽光発電の不確実性を低減する上で大きな可能性を示しています。近年、より多くの空画像データセットがオープンソース化され、正確で信頼性の高いディープラーニングベースの太陽予測手法の開発は、大きな可能性を見せています。本研究では、異なる気候パターンでグローバルに収集された3つの異種データセットを活用し、太陽光発電予測モデルのための3つの異なる学習戦略を探求します。具体的には、単一のデータセットに基づいて個別に学習したローカルモデルと、複数のデータセットの融合に基づいて共同で学習したグローバルモデルの性能を比較し、さらに、事前に学習した太陽予測モデルから関心のある新しいデータセットへの知識の伝達を検証する。その結果、ローカルモデルはローカルに展開した場合はうまく機能するが、オフサイトに適用した場合は大きな誤差が生じることが示唆された。グローバルモデルは個々の場所にうまく適応できるが、その代償としてトレーニングの労力が増加する可能性がある。大規模かつ多様なソースデータセットでモデルを事前学習し、ターゲットデータセットに転送することで、一般的に他の2つの戦略よりも優れた性能を達成することができる。80%少ない訓練データで、データセット全体を使用して訓練したローカルなベースラインと同等の性能を達成することができます。

要約(オリジナル)

Solar forecasting from ground-based sky images has shown great promise in reducing the uncertainty in solar power generation. With more and more sky image datasets open sourced in recent years, the development of accurate and reliable deep learning-based solar forecasting methods has seen a huge growth in potential. In this study, we explore three different training strategies for solar forecasting models by leveraging three heterogeneous datasets collected globally with different climate patterns. Specifically, we compare the performance of local models trained individually based on single datasets and global models trained jointly based on the fusion of multiple datasets, and further examine the knowledge transfer from pre-trained solar forecasting models to a new dataset of interest. The results suggest that the local models work well when deployed locally, but significant errors are observed when applied offsite. The global model can adapt well to individual locations at the cost of a potential increase in training efforts. Pre-training models on a large and diversified source dataset and transferring to a target dataset generally achieves superior performance over the other two strategies. With 80% less training data, it can achieve comparable performance as the local baseline trained using the entire dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL