Learning Long-Term Temporal Dependencies in Photovoltaic Power Output Prediction Through Multi-Horizon Forecasting

Sintesi Tecnica: Apprendimento delle Dipendenze Temporali a Lungo Termine nella Previsione della Produzione di Energia Fotovoltaica Tramite Previsione Multi-Orizzonte

Enunciazione del Problema
La rapida espansione della capacità fotovoltaica (PV) introduce sfide significative alla stabilità della rete a causa della natura intermittente dell'irraggiamento solare, guidata dalle variazioni stagionali e dai repentini cambiamenti meteorologici. Sebbene la previsione diretta basata su deep learning utilizzando immagini del cielo a terra (GSI) sia diventata un approccio dominante, la letteratura esistente è limitata da due principali restrizioni:

1. Focus su Singolo Orizzonte: La maggior parte dei modelli è addestrata per prevedere un singolo valore futuro (previsione puntuale) a un tempo specifico $T$, fallendo nello sfruttare le ricche dipendenze temporali intrinseche nell'evoluzione delle condizioni solari.
2. Valutazioni Specifiche per Architettura: La ricerca fa spesso affidamento su una singola architettura di rete (ad esempio, una specifica variante di CNN) e su piccoli dataset, limitando la generalizzabilità delle conclusioni riguardanti le prestazioni del modello.

La domanda di ricerca centrale affrontata è se un modello di deep learning addestrato per prevedere simultaneamente molteplici punti temporali futuri possa catturare più efficacemente le intricate dipendenze temporali che governano le condizioni solari rispetto alla tradizionale stima a punto singolo.

Metodologia
Gli autori propongono un framework di previsione multi-orizzonte che sposta il paradigma dalla stima a singolo passo all'ottimizzazione congiunta su una sequenza di valori futuri.

• Formulazione del Problema: Il compito è definito come una funzione di mappatura $\psi$ che prende in input le immagini storiche del cielo ($I$) e le produzioni storiche di energia PV ($P$) su una finestra $H$ con intervallo $\delta$ per prevedere le produzioni future.
  • Punto Singolo: Prevede l'output PV a un tempo futuro specifico $t + T$.
  • Multi-Orizzonte: Prevede gli output PV per l'intera sequenza da $t + 1$ a $t + T$ simultaneamente.
• Indipendenza dall'Architettura: L'approccio è progettato per essere agnostico rispetto all'architettura. Gli autori lo validano utilizzando due distinti modelli di base:
  1. SUNSET: Un'architettura CNN specializzata progettata per il nowcasting diretto della potenza PV basato su immagini.
  2. MobileNet (v3 large): Una rete convoluzionale leggera e pre-addestrata modificata per accettare input di immagini sequenziali e dati storici PV.
• Elaborazione degli Input: I modelli ingeriscono immagini RGB sequenziali del cielo (ultimi 15 minuti a intervalli di 1 minuto) e dati storici di potenza PV. Per MobileNet, lo strato di input è modificato per gestire più frame di immagini, e gli strati completamente connessi sono congelati o adattati per fondere le caratteristiche delle immagini e le serie temporali.
• Funzione Obiettivo: Le reti sono addestrate utilizzando la perdita dell'Errore Quadratico Medio (MSE) su tutti i passi temporali previsti nell'orizzonte.

Contributi Chiave

1. Dimostrazione dell'Apprendimento delle Dipendenze a Lungo Termine: Il documento fornisce prove sperimentali che l'ottimizzazione congiunta su una sequenza di valori futuri permette alle reti neurali profonde di catturare meglio le dipendenze temporali latenti inter-step.
2. Miglioramento Indipendente dall'Architettura: L'approccio multi-orizzonte dimostra di migliorare l'accuratezza attraverso diversi design di rete (SUNSET e MobileNet), posizionandosi come strategia di miglioramento generale piuttosto che come sostituto di architetture specifiche.
3. Parsimonia Computazionale: Il metodo raggiunge un'accuratezza superiore con un sovraccarico computazionale trascurabile. L'aumento dei parametri addestrabili è minimo (ad esempio, ~0,15% per SUNSET e ~0,4% per MobileNet) rispetto ai modelli a output singolo.

Risultati Sperimentali
La metodologia è stata valutata utilizzando il dataset SKIPP'D (Sky Images and Photovoltaic Power Generation Dataset), comprendente immagini del cielo allineate e registri PV dal 2017 al 2019 in condizioni meteorologiche variabili (soleggiato, parzialmente nuvoloso, coperto).

• Metriche di Prestazione: L'approccio multi-orizzonte ha costantemente superato la previsione a punto singolo in termini di Errore Quadratico Medio Radice (RMSE) ed Errore Assoluto Medio (MAE).
  • Sul modello SUNSET con input 64×64, i miglioramenti RMSE sono stati del 9,01% (orizzonte 15 min), 5,6% (orizzonte 30 min) e 3,4% (orizzonte 60 min).
  • Sono stati osservati miglioramenti sia nei giorni soleggiati che in quelli nuvolosi, con guadagni particolarmente significativi nei giorni soleggiati (ad esempio, un miglioramento RMSE del 56,13% in un specifico giorno di test soleggiato).
• Analisi Statistica: I modelli multi-orizzonte hanno dimostrato punteggi $R^2$ più elevati e linee di regressione più vicine alla linea di identità (linea a 45 gradi), indicando una migliore bontà di adattamento e generalizzazione.
• Analisi del Meccanismo Interno:
  • Gradienti dei Pesi: L'analisi delle magnitudini dei gradienti ha rivelato che i modelli multi-orizzonte mostrano un tasso di convergenza più lento rispetto ai modelli a punto singolo. Ciò suggerisce che la rete evita la "convergenza prematura" (bloccarsi in minimi locali) e continua a imparare caratteristiche complesse per una durata più lunga.
  • Diversità dei Filtri: L'analisi di similarità coseno dei filtri ha mostrato che l'addestramento multi-orizzonte mantiene una maggiore diversità dei filtri, impedendo alla rete di collassare in rappresentazioni di caratteristiche ridondanti.

Significato e Affermazioni
Il documento afferma che questo lavoro fornisce una soluzione scalabile ed efficiente per migliorare la resilienza delle reti elettriche moderne. Passando dalla stima a punto singolo a un framework olistico multi-orizzonte, gli autori dimostrano che:

• I modelli di deep learning possono modellare meglio l'evoluzione delle condizioni solari evitando la convergenza prematura.
• Questo miglioramento è ottenuto senza costi computazionali significativi, rendendolo altamente adatto all'integrazione in rete in tempo reale.
• L'approccio funge da aggiornamento robusto e indipendente dall'architettura per i modelli di previsione esistenti, migliorando l'accuratezza predittiva su tutto l'orizzonte di previsione.

Gli autori rimangono modesti riguardo alle implicazioni future, notando che gli esperimenti attuali sono limitati al dataset SKIPP'D (clima della California) e a sistemi PV residenziali su piccola scala. Suggeriscono che il lavoro futuro potrebbe esplorare condizioni meteorologiche globali diversificate, la variabilità spaziale su scala utility e l'integrazione di variabili meteorologiche (umidità, vento) o architetture basate su transformer.