Forecasting Intraday Power Output by a Set of PV Systems using Recurrent Neural Networks and Physical Covariates

要約

太陽光発電 (PV) システムによる電力出力の正確な日中予測は、エネルギー配電網の運用を改善するために重要です。
このような日中予測を実行することを目的とした神経自己回帰モデルについて説明します。
私たちは物理的で決定論的な PV パフォーマンス モデルに基づいて構築しており、その出力はニューラル モデルのコンテキストで共変量として使用されます。
さらに、当社のアプリケーション データは、地理的に分散された一連の PV システムに関連しています。
私たちは、PV サイトに関する情報を特定の共変量に埋め込む単一のニューラル モデルですべての PV サイトに対処します。
私たちは、季節の影響の明示的なモデリングに依存するスケールフリーのアプローチを使用します。
私たちの提案は、当初小売部門で使用されていたモデルを再利用し、新しい切り捨てられたガウス出力分布を開示します。
アブレーション研究と文献の代替アーキテクチャとの比較により、最もパフォーマンスの高い提案されたモデル バリアントのコンポーネントが相乗的に機能し、ベースラインとして使用される物理モデルに対して 15.72% のスキル スコアに達することが示されています。

要約(オリジナル)

Accurate intraday forecasts of the power output by PhotoVoltaic (PV) systems are critical to improve the operation of energy distribution grids. We describe a neural autoregressive model which aims at performing such intraday forecasts. We build upon a physical, deterministic PV performance model, the output of which being used as covariates in the context of the neural model. In addition, our application data relates to a geographically distributed set of PV systems. We address all PV sites with a single neural model, which embeds the information about the PV site in specific covariates. We use a scale-free approach which does rely on explicit modelling of seasonal effects. Our proposal repurposes a model initially used in the retail sector, and discloses a novel truncated Gaussian output distribution. An ablation study and a comparison to alternative architectures from the literature shows that the components in the best performing proposed model variant work synergistically to reach a skill score of 15.72% with respect to the physical model, used as a baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google