Local-Global Methods for Generalised Solar Irradiance Forecasting

要約

太陽光発電の使用が増加するにつれ、正確かつタイムリーな予測が円滑な送電網運営にとって不可欠となります。
太陽放射量や太陽光発電量を予測する方法は数多く提案されています。
ただし、これらの方法の多くは問題を時系列として定式化し、予測を生成するために対象の場所での観測値へのほぼリアルタイムのアクセスに依存しています。
これには、リアルタイムのデータ ストリームへのアクセスと、これらのメソッドを導入するための十分な履歴観察の両方が必要です。
この論文では、グローバル手法を使用して一般化された方法でモデルをトレーニングし、目に見えない場所の予測を生成できるようにすることを提案します。
私たちはこのアプローチを古典的な ML と最先端の手法の両方に適用します。
英国全土に分散する 20 か所のデータと広く利用可能な気象データを使用して、このデータへのアクセスを必要としないシステムを構築できることを示します。
私たちは衛星と地上の両方の気象観測データ（気温、気圧など）を利用し、比較します。
他の場所からの気象観測と測定を活用することで、新しい場所での太陽放射量を正確に予測できるモデルを作成できることを示します。
これにより、新しく導入された太陽光発電施設と国内の設置の両方で、稼働開始の瞬間から使用計画と最適化が容易になる可能性があります。
さらに、複数の場所に対して単一のグローバル モデルをトレーニングすると、場所全体でより一貫した正確な結果を備えた、より堅牢なモデルが生成されることを示します。

要約(オリジナル)

As the use of solar power increases, having accurate and timely forecasts will be essential for smooth grid operators. There are many proposed methods for forecasting solar irradiance / solar power production. However, many of these methods formulate the problem as a time-series, relying on near real-time access to observations at the location of interest to generate forecasts. This requires both access to a real-time stream of data and enough historical observations for these methods to be deployed. In this paper, we propose the use of Global methods to train our models in a generalised way, enabling them to generate forecasts for unseen locations. We apply this approach to both classical ML and state of the art methods. Using data from 20 locations distributed throughout the UK and widely available weather data, we show that it is possible to build systems that do not require access to this data. We utilise and compare both satellite and ground observations (e.g. temperature, pressure) of weather data. Leveraging weather observations and measurements from other locations we show it is possible to create models capable of accurately forecasting solar irradiance at new locations. This could facilitate use planning and optimisation for both newly deployed solar farms and domestic installations from the moment they come online. Additionally, we show that training a single global model for multiple locations can produce a more robust model with more consistent and accurate results across locations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google