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発電された電力は、エネルギー不足と従来のエネルギー生産方法から生じる環境汚染の両方に対する効率的な救済策として確立されている。太陽光発電と風力発電は、最も主要な再生可能エネルギー源である。これらのエネルギー源の発電量を正確に予測することで、その管理と運用に関する不確実性の悪影響を最小限に抑え、電力網への統合を促進することができる。本論文では、複数地点の気象予報を利用した、複数の発電サイトに対する決定論的な風力・太陽光エネルギー発電予測のための新しい手法を提案する。本手法は、U字型時間畳み込みオートエンコーダ（UTCAE）アーキテクチャを採用し、各サイトの気象関連時系列とエネルギー関連時系列の時間的処理を行う。また、発電所の位置や提供される気象データの位置に関する先験的な知識がなくても、気象データからエネルギーデータへ時間的パターンを効率的に転送することを目的として、マルチヘッドスケールドット積注意メカニズムに着想を得たマルチサイズカーネル畳み込み時空間注意（MKST-Attention）を提案する。5つのデータセットを用いた前日の太陽エネルギーと風力エネルギーの予測シナリオの実験評価により、提案手法が、競合する時系列予測の最先端手法の全てを凌駕する、トップクラスの結果を達成することが実証された。

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, DeepL