End-to-End Learning with Multiple Modalities for System-Optimised Renewables Nowcasting

要約

【タイトル】エンドツーエンド学習を活用した複数の媒体による再生可能エネルギーの現在予測の最適化

【要約】
– 再生可能エネルギーは普及するにつれ、正確な短期予測がますます重要になっている
– 本論文は、2つの媒体である全天像と気象センサーデータの機能を組み合わせ、再生可能エネルギー発電を予測するマルチモーダル学習とエンドツーエンド学習を調査する
– 組み合わされた予測値は、エネルギー管理をシミュレートする微分可能最適電力フロー（OPF）フォーミュレーションに入力される
– 初めてMMとE2Eの学習が組み合わされ、期待される総システムコストを最小化するモデルが提案された
– ケーススタディでは、オランダの実際の天空と気象データで提案された手法をテストした
– 提案されたMM-E2Eモデルにより、単一モーダルベースラインに比べてシステムコストが30%削減された

要約(オリジナル)

With the increasing penetration of renewable power sources such as wind and solar, accurate short-term, nowcasting renewable power prediction is becoming increasingly important. This paper investigates the multi-modal (MM) learning and end-to-end (E2E) learning for nowcasting renewable power as an intermediate to energy management systems. MM combines features from all-sky imagery and meteorological sensor data as two modalities to predict renewable power generation that otherwise could not be combined effectively. The combined, predicted values are then input to a differentiable optimal power flow (OPF) formulation simulating the energy management. For the first time, MM is combined with E2E training of the model that minimises the expected total system cost. The case study tests the proposed methodology on the real sky and meteorological data from the Netherlands. In our study, the proposed MM-E2E model reduced system cost by 30% compared to uni-modal baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI