Parallel-friendly Spatio-Temporal Graph Learning for Photovoltaic Degradation Analysis at Scale

要約

我々は、太陽光発電 (PV) 電力ネットワークのフリートレベルの性能低下分析を実行するための、新しい時空間グラフ ニューラル ネットワークを活用したトレンド分析アプローチ (ST-GTrend) を提案します。
太陽光発電所は、世界の持続可能なエネルギー生産環境にとって不可欠な要素となっています。
太陽光発電システムの性能を正確に見積もることは、発電技術および金融資産としての実現可能性にとって非常に重要です。
太陽光発電システムの均等化エネルギー原価 (LCOE) を評価する際の最も困難な問題の 1 つは、大規模な太陽光発電インバータ フリートの長期的な性能損失率 (PLR) を理解し、推定することです。
ST-GTrend は、時空間コヒーレンスとグラフ アテンションを統合して、PV 入力データの複数の変動項から長期的な「経年変化」トレンドとして PLR を分離します。
時系列における多様な劣化パターンに対処するため、ST-GTrend では並列グラフ オートエンコーダ アレイを採用し、経年変化項と変動項を同時に抽出します。
ST-GTrend は、経年変化と変動の間の絡み合いを確実に解消するために、平坦性と滑らかさの正則化を課します。
分析を大規模な PV システムに拡張するために、ST-GTrend のトレーニングと推論を高速化する並列アルゴリズムである Para-GTrend も導入します。
私たちは、10 年間にわたる 3 つの大規模 PV データセットで ST-GTrend を評価しました。
私たちの結果は、ST-GTrend が SOTA 手法と比較して平均絶対パーセント誤差 (MAPE) とユークリッド距離を 34.74% および 33.66% 削減することを示しています。
私たちの結果は、Para-GTrend が ST-GTrend を最大 7.92 倍高速化できることを示しています。
さらに、金融経済データセットを使用した傾向分析における ST-GTrend の汎用性と有効性を検証します。

要約(オリジナル)

We propose a novel Spatio-Temporal Graph Neural Network empowered trend analysis approach (ST-GTrend) to perform fleet-level performance degradation analysis for Photovoltaic (PV) power networks. PV power stations have become an integral component to the global sustainable energy production landscape. Accurately estimating the performance of PV systems is critical to their feasibility as a power generation technology and as a financial asset. One of the most challenging problems in assessing the Levelized Cost of Energy (LCOE) of a PV system is to understand and estimate the long-term Performance Loss Rate (PLR) for large fleets of PV inverters. ST-GTrend integrates spatio-temporal coherence and graph attention to separate PLR as a long-term ‘aging’ trend from multiple fluctuation terms in the PV input data. To cope with diverse degradation patterns in timeseries, ST-GTrend adopts a paralleled graph autoencoder array to extract aging and fluctuation terms simultaneously. ST-GTrend imposes flatness and smoothness regularization to ensure the disentanglement between aging and fluctuation. To scale the analysis to large PV systems, we also introduce Para-GTrend, a parallel algorithm to accelerate the training and inference of ST-GTrend. We have evaluated ST-GTrend on three large-scale PV datasets, spanning a time period of 10 years. Our results show that ST-GTrend reduces Mean Absolute Percent Error (MAPE) and Euclidean Distances by 34.74% and 33.66% compared to the SOTA methods. Our results demonstrate that Para-GTrend can speed up ST-GTrend by up to 7.92 times. We further verify the generality and effectiveness of ST-GTrend for trend analysis using financial and economic datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google