Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context

要約

太陽光発電には、CO$_{2}$ 排出量を大幅に削減することで気候変動を緩和する計り知れない可能性が秘められています。
それにもかかわらず、太陽放射照度の固有の変動は、太陽光発電を電力網にシームレスに統合する上で重大な課題を引き起こします。
これまでの研究の大部分は、太陽の予測に純粋に時系列ベースの方法論を採用することに重点を置いていますが、雲量や周囲の物理的状況などの要素を考慮に入れている研究は限られています。
この論文では、衛星データを使用して時空間コンテキストを利用し、全球水平方向の予測に特に重点を置き、任意の観測点について高精度の \textit{day-ahead} 時系列予測を達成するように設計されたディープ ラーニング アーキテクチャを提案します。
放射照度 (GHI)。
また、各タイム ステップ予測の分布を抽出する方法論も提案します。これは、予測に付随する不確実性の非常に貴重な尺度として機能します。
モデルを評価する際、重要な状況でのモデルのパフォーマンスを把握するために、特に難しい例と簡単な例を分離するテスト スキームを提案します。この研究の場合、さまざまな曇り条件に見舞われた日です。
さらに、地理的に異なる複数の太陽光発電所からの太陽放射照度およびその他の関連する物理変数について、大規模なゾーンおよび時系列にわたる衛星画像を収集した新しいマルチモーダル データセットを紹介します。
私たちのアプローチは、未観測の太陽光発電所でのゼロショット一般化テストを含む太陽放射量予測において堅牢なパフォーマンスを示し、太陽光発電の系統への効果的な統合を促進する上で大きな期待を抱いています。

要約(オリジナル)

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 \textit{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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google