ノースカロライナ州立大学の研究者らは、最も安定して高い性能を示した単一の予測モデルと比較して、翌日太陽光発電予測を最大13%改善できる手法を実証した。翌日予測は、需要の見込みに合わせて発電所を稼働させるユニットコミットメントの判断や市場スケジューリングに24時間前から反映されるため、系統運用者にとって特に重要である。Journal of Cleaner Production に掲載された今回の成果は、正確な予測モデルを設計するうえで地域ごとの変数が果たす重要な役割も示している。

「太陽光導入がさらに進むにつれて、予測の不確実性は、供給と需要のバランスを取る必要があるエネルギー計画担当者や系統運用者にとって重要な検討事項になります」と、NC State の土木・建設・環境工学の准教授で論文共著者の Anderson De Queiroz 氏は述べた。「私たちの結果は、複数の機械学習ベースのモデルを組み合わせることで、より堅牢な予測が可能になり、電力系統への太陽光統合の信頼性向上に役立つことを示しています。」

ベースラインを設定するため、研究チームはまず、予測モデルの大きく2つのカテゴリを評価した。1つは履歴パターンを特定する統計モデル、もう1つは非線形な時系列関係を捉えるのに適した人工ニューラルネットワークベースの手法である。これらのカテゴリから、チームは7つのモデルを選定して検証した。

モデルの評価には、2019年から2022年にかけての気象データと太陽光発電データが用いられ、カリフォルニア州の2つの電力事業者、Imperial Irrigation District（IID）と Los Angeles Department of Water and Power（LADWP）から取得された。カリフォルニア州は米国で設置済み太陽光容量が最大であり、太陽光導入比率の高い環境における予測課題を研究するうえで特に適した対象となる。

「私たちは、気象データと太陽光発電量の関係を見つけるためにモデルを使いたいと考えていました」と、NC State の博士研究員で論文の筆頭著者である Yen-Hsi Chou 氏は述べた。「しかし最も興味深かったのは、どのケースでも単一のモデルが最良というわけではなかったことです。最も安定して性能を示した BiLSTM をベースラインに選び、異なる個別モデルの予測を組み合わせることで、場合によっては予測性能をさらに10%以上向上できることが分かりました。これはかなり印象的でした。」

研究者らは2つのアンサンブル手法を検証した。1つ目の加重平均は、別々に学習した地域別モデルの予測を組み合わせ、より高性能なモデルに大きな重みを与える手法である。2つ目の multi-input は、各モデルが複数の地理的地点の気象データを取り込めるようにする手法である。

結果は地域によって大きく異なった。加重平均は IID で最大11%の改善を示した一方、multi-input 手法は LADWP で最大13%の予測改善をもたらした。

「この研究の重要な示唆の1つは、どこでも同じように機能する万能の予測戦略は存在しないということです」と De Queiroz 氏は述べた。「各地域の特性を理解し、複数のモデルと地点からの情報を活用することは、実際の系統運用に関する意思決定を支える、正確で実用的な予測ツールを開発するうえで非常に重要です。」

「全体として、私たちの結果は、アンサンブル手法が単一モデルと比べて予測をさらに向上させる可能性を持つことを示していますが、その手法は使用される特定の地域に合わせて検証し、調整する必要があります」と Chou 氏は述べた。

この研究は National Science Foundation の一部支援を受けており、Journal of Cleaner Production に掲載された。NC State のその他の論文共著者は、電気・コンピュータ工学科の博士課程学生 Arundhuti Haldar 氏と、コンピュータサイエンスの元大学院生 Shubh Nisar 氏である。

NC State によるニュース記事。