Short-term Prediction and Filtering of Solar Power Using State-Space Gaussian Processes

要約

太陽光発電エネルギー (PV) 生産の短期予測は、発電所の管理にとって重要です。
理想的には、これらの予測にはエラーバーが装備されているため、下流の決定で不確実性を説明できます。
この設定でエラーバーを使用して予測を作成するために、英国の太陽光発電エネルギー生産をモデル化および予測するためのガウス過程 (GP) を検討します。
PV 時系列データに対する GP 回帰の標準的な適用は、データ サイズが大きく、PV 読み取り値が非ガウス性であるため、実行不可能です。
ただし、これは、スケーラブルな GP 推論の最近の進歩を活用することによって、特に、GP の状態空間形式を最新の変分推論手法と組み合わせて使用​​することによって可能になります。
結果として得られるモデルは、大規模なデータセットに拡張できるだけでなく、カルマン フィルター処理を介して連続的なデータ ストリームを処理することもできます。

要約(オリジナル)

Short-term forecasting of solar photovoltaic energy (PV) production is important for powerplant management. Ideally these forecasts are equipped with error bars, so that downstream decisions can account for uncertainty. To produce predictions with error bars in this setting, we consider Gaussian processes (GPs) for modelling and predicting solar photovoltaic energy production in the UK. A standard application of GP regression on the PV timeseries data is infeasible due to the large data size and non-Gaussianity of PV readings. However, this is made possible by leveraging recent advances in scalable GP inference, in particular, by using the state-space form of GPs, combined with modern variational inference techniques. The resulting model is not only scalable to large datasets but can also handle continuous data streams via Kalman filtering.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google