ECLIPSE : Envisioning CLoud Induced Perturbations in Solar Energy

要約

太陽エネルギーを効率的に電力ミックスに組み込むには、その間欠性を確実に予測することが必要である。雲量動態に起因する太陽放射照度の時間変動を予測する有望なアプローチは、地上で撮影された空の画像や衛星観測のシーケンスの分析に基づいています。しかし、既存のディープラーニングの限界は、将来の事象を積極的に予測するのではなく、過去の観測結果に反応するというどこにでもある傾向にあります。このため、時間的な遅れが頻繁に発生し、突発的な事象を予測する能力が制限されます。この課題を解決するために、我々は、将来の放射照度レベルと関連する不確実性を予測するために、空の画像から雲の動きをモデル化する時空間ニューラルネットワークアーキテクチャ、ECLIPSEを導入するだけでなく、局所放射照度マップの豊富な情報を提供するセグメント化された画像も提供します。ECLIPSEが重要なイベントを予測し、視覚的に現実的な未来を生成しながら、時間的な遅れを低減することを示す。モデルの特徴と特性は、アブレーション研究、および補助データをモデリングに統合する利点と異なる方法に関する比較研究によって調査される。また、ネットワーク学習時に学習した主要な時空間成分の分析を通じて、モデルの予測値を解釈している。

要約(オリジナル)

Efficient integration of solar energy into the electricity mix depends on a reliable anticipation of its intermittency. A promising approach to forecast the temporal variability of solar irradiance resulting from the cloud cover dynamics is based on the analysis of sequences of ground-taken sky images or satellite observations. Despite encouraging results, a recurrent limitation of existing deep learning approaches lies in the ubiquitous tendency of reacting to past observations rather than actively anticipating future events. This leads to a frequent temporal lag and limited ability to predict sudden events. To address this challenge, we introduce ECLIPSE, a spatio-temporal neural network architecture that models cloud motion from sky images to not only predict future irradiance levels and associated uncertainties, but also segmented images, which provide richer information on the local irradiance map. We show that ECLIPSE anticipates critical events and reduces temporal delay while generating visually realistic futures. The model characteristics and properties are investigated with an ablation study and a comparative study on the benefits and different ways to integrate auxiliary data into the modelling. The model predictions are also interpreted through an analysis of the principal spatio-temporal components learned during network training.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL