AutoPV: Automatically Design Your Photovoltaic Power Forecasting Model

要約

太陽光発電予測（PVPF）は時系列予測（TSF）において重要な分野であり、太陽エネルギーの効率的な利用を可能にする。機械学習やディープラーニングの進歩に伴い、様々なモデルがPVPFタスクに適用されている。しかし、特定のPVPFタスクに最適な予測アーキテクチャを構築することは、領域横断的な知識と多大な人件費を必要とするため、依然として困難である。この課題を解決するために、ニューラルアーキテクチャ探索（NAS）技術に基づくPVPFモデルの自動探索・構築のための新しいフレームワークであるAutoPVを紹介する。最先端の(SOTA)TSFモデルと典型的なPVPFディープラーニングモデルから様々なデータ処理技術を組み込んだ、全く新しいNAS探索空間を開発する。中国の大慶太陽光発電所からのデータセットを用いて、多様なPVPFタスクに対するAutoPVの有効性を評価する。実験結果は、AutoPVが比較的短時間で予測アーキテクチャ構築プロセスを完了できること、そして新たに構築されたアーキテクチャがSOTA事前定義モデルよりも優れていることを示している。本研究は、NASをTSF問題に適用する際のギャップを埋め、非専門家や産業界が効果的なPVPFモデルを自動的に設計するのを支援する。

要約(オリジナル)

Photovoltaic power forecasting (PVPF) is a critical area in time series forecasting (TSF), enabling the efficient utilization of solar energy. With advancements in machine learning and deep learning, various models have been applied to PVPF tasks. However, constructing an optimal predictive architecture for specific PVPF tasks remains challenging, as it requires cross-domain knowledge and significant labor costs. To address this challenge, we introduce AutoPV, a novel framework for the automated search and construction of PVPF models based on neural architecture search (NAS) technology. We develop a brand new NAS search space that incorporates various data processing techniques from state-of-the-art (SOTA) TSF models and typical PVPF deep learning models. The effectiveness of AutoPV is evaluated on diverse PVPF tasks using a dataset from the Daqing Photovoltaic Station in China. Experimental results demonstrate that AutoPV can complete the predictive architecture construction process in a relatively short time, and the newly constructed architecture is superior to SOTA predefined models. This work bridges the gap in applying NAS to TSF problems, assisting non-experts and industries in automatically designing effective PVPF models.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL