Efficient Deterministic Renewable Energy Forecasting Guided by Multiple-Location Weather Data

要約

再生可能エネルギー源から生成された電気は、エネルギー不足と従来のエネルギー生産方法に起因する環境汚染の両方に対する効果的な解決策として確立されています。
太陽光発電と風力発電は、最も有力な再生可能エネルギー源の 2 つです。
これらの電源のエネルギー生成を正確に予測することで、管理と運用に関する不確実性による悪影響が最小限に抑えられ、電力網への統合が容易になります。
この論文は、複数の場所の天気予報を利用して、複数の発電所における風力および太陽エネルギーの発電量を決定的に予測するための新しい方法論を提案します。
この方法では、U 字型の時間畳み込み自動エンコーダ (UTCAE) アーキテクチャを採用して、各サイトにわたる気象関連およびエネルギー関連の時系列の時間処理を行います。
マルチサイズ カーネル畳み込み時空間アテンション (MKST-アテンション) も、マルチヘッド スケーリング ドット積アテンション メカニズムにヒントを得て提案されており、事前の知識がなくても、時間パターンを気象データからエネルギー データに効率的に転送することを目的としています。
発電所の場所と提供された気象データの場所。
5 つのデータセットで太陽光および風力エネルギーの前日予測シナリオに対して実施された実験評価では、提案された方法が競合するすべての時系列予測の最先端の方法を上回り、最高の結果を達成することが実証されました。

要約(オリジナル)

Electricity generated from renewable energy sources has been established as an efficient remedy for both energy shortages and the environmental pollution stemming from conventional energy production methods. Solar and wind power are two of the most dominant renewable energy sources. The accurate forecasting of the energy generation of those sources facilitates their integration into electric grids, by minimizing the negative impact of uncertainty regarding their management and operation. This paper proposes a novel methodology for deterministic wind and solar energy generation forecasting for multiple generation sites, utilizing multi-location weather forecasts. The method employs a U-shaped Temporal Convolutional Auto-Encoder (UTCAE) architecture for temporal processing of weather-related and energy-related time-series across each site. The Multi-sized Kernels convolutional Spatio-Temporal Attention (MKST-Attention), inspired by the multi-head scaled-dot product attention mechanism, is also proposed aiming to efficiently transfer temporal patterns from weather data to energy data, without a priori knowledge of the locations of the power stations and the locations of provided weather data. The conducted experimental evaluation on a day-ahead solar and wind energy forecasting scenario on five datasets demonstrated that the proposed method achieves top results, outperforming all competitive time-series forecasting state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google