A Meta-Analysis of Solar Forecasting Based on Skill Score

要約

タイトル：スキルスコアに基づく太陽光発電予測のメタ分析

要約：
– スキルスコアに基づく大規模な太陽光発電の決定論的予測について初めて包括的なメタ分析を行い、Google Scholarから1,447の論文を選定し、320の論文の全文を対象にデータを抽出した。
– 4,687のポイントからなるデータベースを構築し、多変量適応型回帰スプラインモデリング、部分依存プロット、線形回帰を用いて分析を行った。10の要因のスキルスコアへのマージナルインパクトを定量化した。
– データベース内の変数間には非線形性と複雑な相互作用があることが示された。予測期間は中心的な影響を持ち、他の要因の影響を支配している。したがって、太陽光発電の予測分析は各予測期間ごとに個別に実施する必要がある。
– 気候ゾーン変数はスキルスコアと統計的に有意な相関がある。入力に関しては、過去のデータと時間空間情報が非常に有用であり、日中予測においては、空と衛星画像が最も重要であり、翌日予測においては、数値天気予報と現地で測定された気象データが非常に効果的である。
– すべての予測モデルを比較した結果、アンサンブルハイブリッドモデルが全期間で最も正確な予測を達成していることがわかった。ハイブリッドモデルは時間単位の予測に優れ、画像を用いた方法は日中の予測に最も効果的である。
– スキルスコアを向上させるためにはより多くのトレーニングデータが必要である。しかし、トレーニングデータが多すぎる場合(2000日を超える場合)には過剰適合が観察される。
– 特定の場所変数を含む予測間の主要な違いを制御することにより、当研究の知見は世界的に適用可能である。

要約(オリジナル)

We conduct the first comprehensive meta-analysis of deterministic solar forecasting based on skill score, screening 1,447 papers from Google Scholar and reviewing the full texts of 320 papers for data extraction. A database of 4,687 points was built and analyzed with multivariate adaptive regression spline modelling, partial dependence plots, and linear regression. The marginal impacts on skill score of ten factors were quantified. The analysis shows the non-linearity and complex interaction between variables in the database. Forecast horizon has a central impact and dominates other factors’ impacts. Therefore, the analysis of solar forecasts should be done separately for each horizon. Climate zone variables have statistically significant correlation with skill score. Regarding inputs, historical data and spatial temporal information are highly helpful. For intra-day, sky and satellite images show the most importance. For day-ahead, numerical weather predictions and locally measured meteorological data are very efficient. All forecast models were compared. Ensemble-hybrid models achieve the most accurate forecasts for all horizons. Hybrid models show superiority for intra-hour while image-based methods are the most efficient for intra-day forecasts. More training data can enhance skill score. However, over-fitting is observed when there is too much training data (longer than 2000 days). There has been a substantial improvement in solar forecast accuracy, especially in recent years. More improvement is observed for intra-hour and intra-day than day-ahead forecasts. By controlling for the key differences between forecasts, including location variables, our findings can be applied globally.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI