2022_太陽光発電の出力予測における予測子の影響評価

849 Views

March 30, 22

スライド概要

profile-image

小平大輔 - 筑波大学エネルギー・環境系助教。現在の研究テーマは、電気自動車の充電スケジューリング、エネルギー取引のためのブロックチェーン、太陽光発電とエネルギー需要の予測など。スライドの内容についてはお気軽にご相談ください:kodaira.daisuke.gf[at]u.tsukuba.ac.jp

シェア

またはPlayer版

埋め込む »CMSなどでJSが使えない場合

関連スライド

各ページのテキスト
1.

太陽光発電の出力予測における 予測子の影響評価 2022/1/21 1

2.

1.研究背景 太陽光発電(PV) メリット モジュールが安価 𝐂𝐎𝟐をほぼ排出しない デメリット 環境依存性が強く、不安定 →系統運用が難しくなる 安定した系統運用が実現のた め、確率的な予測が必要 図 全世界PV累積導入容量 (Our World in Dataより引用) 2

3.

2.概要(1) 〇問題点 確率的な予測に必要な予測子 の選択 (予測子:日射量、気温、時間,etc.) 〇研究目的 最適な特徴量(予測子群)を選択し、 高信頼度な予測区間を出力 図 予測区間を持った確率的な予測の例 3

4.

2.概要(2) 〇手法 Step1:ランダムフォレスト(RF)により予測子の重要度を評価 Step2:Neural Network(NN)により、特徴量を重要度に基づき 選択し、95%予測区間を生成 4

5.

3. Step1:Random Forest(RF)による特徴量選択 表 日射量をシャッフルする例 図 RFによる特徴量選択 重要な予測子ほど シャッフルすると 誤差変化が大きくなる。 5

6.

4. Step2:Neural Network(NN)による95%予測区間 NNによる95%予測区間 カバー率:0.75 予測幅:矢印の平均 カバー率と予測幅は トレードオフ 図 予測区間の例 ①入力層に特徴量を入力 ②隠れ層で計算処理を行い、出力層で予測区間の上限と下限 を出力 ③損失関数Lossを計算して、Lossが最小になるように、計算 処理を最適化 Loss = 予測幅 + 5 max 0,0.95 − カバー率 0.95 ∗ 0.05 ペナルティ係数 図 NNによる予測区間 2 95%を超えているか 6

7.

5. RFによる特徴量選択(結果) 重要 重要度がほぼ0 図 RandomForestによる特徴量選択 ※Training Data : 13年8月15日~14年5月31日 時系列データは周期性を考慮して、三角関数で表現 7

8.

6 . 天候別、予測区間(結果) 図 6月11日(曇りのち雨) 図 6月14日(快晴) 特徴量数1(日射量のみ)は予測幅が広く、出力が不安定な日に優位 特徴量数4(重要度上位4つ)は予測幅が狭く、出力が安定な日に優位 8

9.

7.1 2週間平均予測区間(結果) ノイズ ノイズ 図 特徴量数と2週間平均カバー率 図 特徴量数と2週間平均予測幅 (Training Data:13年8月15日~予測日前日,予測日:14年6月1日~14日,シミュレーション回数:85回) 特徴量数4以降、カバー率は減少傾向、予測幅は緩やかに増加 →4以降の予測子はノイズ成分 特徴量数1は予測幅が一番広く、安定してカバー率が一番高い。 9

10.

7.2 2週間平均予測区間(結果) ・Lossは特徴量数4で最小 以降増加傾向 ・特徴量数4以降、箱ひげ図 が大きくなる傾向 → 4以降の予測子はノイズ成分 ノイズ ・特徴量数1は比較的Lossが 小さく、また安定している。 図 特徴量数と2週間平均Loss、及び重要度 10

11.

8. 結論 RandomForest により重要度を求め、Neural Networkにより予測区 間を出力。 重要度は日射量、時間正弦、余弦、年次余弦の順に高く、0の予測 子はノイズ。 平均的には特徴量数4が優位、天候等によっては特徴量数1が優位。 11