An Integrated Multi-Time-Scale Modeling for Solar Irradiance Forecasting Using Deep Learning

要約

短期的な太陽放射量予測の場合、太陽光発電の非定常特性により、従来の点予測方法はあまり役に立ちません。
電力網の信頼性の高い運用を維持するために必要な運転準備金の量は、太陽エネルギーの変動により増加します。
発電の不確実性が高くなるほど、運転予備力の要件も大きくなり、運転コストの増加につながります。
この研究作業では、リカレント ニューラル ネットワーク (RNN) と長短期記憶ネットワーク (LSTM) を使用した日内太陽放射照度予測のためのマルチタイムスケール予測のための統合アーキテクチャを提案します。
この論文では、このモデリング アプローチを時間内予測範囲に拡張するためのフレームワークも示し、これにより、時間内および日内太陽放射量を予測できる複数時間範囲の予測アプローチとなります。
提案されたアーキテクチャを実現するためのエンドツーエンドのパイプラインを開発します。
予測モデルのパフォーマンスは、体系的な実装によってテストおよび検証されます。
このアプローチの堅牢性は、米国全土に地理的に点在するサイトに対して実施されたケーススタディで実証されています。
この予測は、私たちが提案する統合アーキテクチャベースのアプローチがマルチタイムスケールの太陽予測に効果的であり、それぞれに個別のモデルを使用する文献に記載されている最もパフォーマンスの高い方法と比較してベンチマークした場合に、より低い二乗平均平方根予測誤差を達成できることを示しています。
日中の時間スケール。
私たちが提案した方法では、文献で報告されている ML ベースの最も優れた方法と比較して、すべてのテストサイトの平均 RMSE が 71.5% 減少しました。
さらに、提案された方法により、リアルタイム入力を使用した複数時間の予測が可能になり、進化するグリッドにおける実際の産業用途に大きな可能性を秘めています。

要約(オリジナル)

For short-term solar irradiance forecasting, the traditional point forecasting methods are rendered less useful due to the non-stationary characteristic of solar power. The amount of operating reserves required to maintain reliable operation of the electric grid rises due to the variability of solar energy. The higher the uncertainty in the generation, the greater the operating-reserve requirements, which translates to an increased cost of operation. In this research work, we propose a unified architecture for multi-time-scale predictions for intra-day solar irradiance forecasting using recurrent neural networks (RNN) and long-short-term memory networks (LSTMs). This paper also lays out a framework for extending this modeling approach to intra-hour forecasting horizons thus, making it a multi-time-horizon forecasting approach, capable of predicting intra-hour as well as intra-day solar irradiance. We develop an end-to-end pipeline to effectuate the proposed architecture. The performance of the prediction model is tested and validated by the methodical implementation. The robustness of the approach is demonstrated with case studies conducted for geographically scattered sites across the United States. The predictions demonstrate that our proposed unified architecture-based approach is effective for multi-time-scale solar forecasts and achieves a lower root-mean-square prediction error when benchmarked against the best-performing methods documented in the literature that use separate models for each time-scale during the day. Our proposed method results in a 71.5% reduction in the mean RMSE averaged across all the test sites compared to the ML-based best-performing method reported in the literature. Additionally, the proposed method enables multi-time-horizon forecasts with real-time inputs, which have a significant potential for practical industry applications in the evolving grid.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google