An Oracle Persistence Framework Using Capacity Information to Diagnose Concept Drift in Long Term Photovoltaic Power Forecasting

技術要約：長期太陽光発電量予測における概念ドリフトを診断するための容量情報を用いたオラクル・パーシスタンス・フレームワーク

1. 問題提起

短期的な太陽光発電（PV）量予測は、グリッドへの送電指令や市場参画において極めて重要であるが、既存のモデルは、PVシステムが日射量を時間不変に変換する装置であるという、物理的に正当化できない暗黙の仮定に基づいているため、長期運用において失敗することが多い。実際には、PV設備は進行的な劣化（モジュールの経年変化、汚れ、インバータの老化）や離散的な事象（サブアレイの切断、故障）を経験し、その結果、有効容量 $C(t)$ が時間の経過とともに変化する。

この非定常性は**概念ドリフト（concept drift）**を引き起こす。これにより、過去のデータで学習されたモデルは系統的なバイアスや「ネガティブ転移（negative transfer）」、すなわち学習セットの知識がテストセットの予測を能動的に悪化させる現象に直面する。現在の診断ツールは、分布の変化をフラグ立てすることはできるが、クロス期間の精度低下が気象変動によるものか、あるいはシステムの物理的状態の変化によるものかを区別することはできない。本研究は、転移の失敗が有効容量の変化と一致しているかどうかを診断するという課題に取り組むものである。

2. 手法

理論的枠組み
著者らは、以下の乗法的劣化モデルを提案している：
$$Y(t) = C(t) \cdot g(X(t)) + \varepsilon(t)$$
ここで、$Y(t)$ は出力電力、$C(t) \in (0,1]$ は潜在的な有効容量係数、$g(X(t))$ は気象から電力へのマッピング、$\varepsilon(t)$ はノイズである。本研究では、4つのドリフトパターンを定式化している：

• 漸次的（P1）： 単調減少（例：老化）。
• 突発的（P2）： 離散的なステップ変化（例：切断）。
• 回帰的（P3）： 周期的な振動（例：季節的な汚れ）。
• 回復： メンテナンス後の正のステップ変化。

オラクル・パーシスタンス診断（The Oracle-Persistence Diagnostic）
本研究の核心となる貢献は、転移可能性を評価するために3つの参照スコアを比較する診断フレームワークである：

1. $R^2_{pers}$ (Persistence/永続性)： 時間的自己相関を測定するベースライン。
2. $R^2_{oc}$ (Oracle-Cross/オラクル・クロス)： 過去のデータで学習されたモデルを、後の期間に対して評価した場合の性能。
3. $R^2_{os}$ (Oracle-Self/オラクル・セルフ)： モデルの開発と評価が同一の期間内で行われた場合の性能。

診断ロジック：

• もし $R^2_{oc} < R^2_{pers}$ であれば、それはドリフトと一致する深刻な転移の失敗を示している。
• もし $R^2_{oc} < 0$ であれば、モデルは定数平均よりも劣る性能であることを示す。
• 容量整合性テスト（Capacity-Consistency Test）： 容量の厳密な事前推定値（$\hat{C}(t)$）を加えることで $R^2_{oc}$ が大幅に改善される場合、それは「有効容量の変化が転移失敗の主要な要因である」という仮説を支持する。

実験設定

• サイト： 対照的な結果を得るために、地理的に異なる2つのサイトを使用した：
  • DKASC (オーストラリア、アリススプリングス)： 深刻な劣化と構造的変化を示すサイト。
  • PVDAQ Site 34 (アメリカ、コロラド州ゴールデン)： 安定していると思われるサイト。
• モデルアーキテクチャ： 以下の3つのブランチを組み合わせたハイブリッド・アンサンブル：
  • BiLSTM-Attention： 時系列シーケンス処理用。
  • Exogenous MLP： 現在の気象特徴量用。
  • HGBT (HistGradientBoosting)： 表形式特徴量（ラグ、時刻、容量）用。
  • Ridge Meta-Learner： これら3つのブランチを融合。
• 戦略： 容量正規化、異常値クリーニング、および明示的な容量特徴量の統合（戦略S4）を含む、6つの候補適応戦略をテストした。

3. 主な結果

DKASC (劣化サイト)

• 劣化の特性化： 当該サイトは、2021年から2024年にかけて累積で57.5%の出力低下を示した。推定された複合率は年率−17.03%である。著者らは、この数値は不可逆的な老化と、回復可能な離散的故障イベントを組み合わせたこの特定の設置設備固有の純複合率であり、一般的なPV劣化率ではないことを明示している。Pettitt検定により、2023年3月に構造的変化が特定された（$p = 1.4 \times 10^{-7}$）。
• 診断性能：
  • 気象特徴量のみを用いた場合、クロス期間の $R^2_{oc}$ は −0.251 であった（永続性を下回る深刻な失敗）。
  • **遡及的（retrospective）**な容量特徴量（対象期間までのデータを使用）を加えると、$R^2_{oc}$ は 0.955 に上昇した。
  • 決定的なことに、**厳密に事前（pre-origin）**の容量推定値（ターゲットへのリークなし）を用いた場合でも、$R^2_{oc}$ は 0.873 となり、永続性ベースライン（0.646）を大きく上回った。
• 解釈： 容量情報の追加によって予測力が回復したことは、有効容量の変化が転移失敗の主要な要因であるという仮説を支持しているが、具体的な物理的故障メカニズムまでは特定していない。

PVDAQ Site 34 (安定サイト)

• 安定性： 14年間にわたり、当該サイトは有効変換効率において統計的に有意な傾向を示さず（年率−0.13%、$p=0.35$）、構造的変化も見られなかった。
• 診断性能： クロス期間の $R^2_{oc}$ は 0.903 であり、永続性ベースライン（0.590）を十分に上回っており、安定した転移可能性が確認された。

構成の感度分析

• 最良の構成（S0: RobustScaler, 4時間ウィンドウ, 120エポック）は、DKASCテストセットにおいて 0.862 の $R^2$ を達成した。
• Robust Scaling は、MinMaxスケーリングに対して統計的に支持される改善をもたらした唯一のプリプロセッシング変更であった（Diebold–Mariano $p < 0.001$）。
• DKASCにおいてNWP（数値予報）特徴量を統合すると、実際には精度が低下した（$\Delta R^2 = -0.050$）。これは、非常に持続性の高い砂漠環境においては、複雑な気象予測を追加しても限界的な価値は乏しく、むしろキャリブレーション誤差を導入する可能性があるという仮説と一致している。

4. 意義と主張

本論文は、オラクル・パーシスタンス・フレームワークを、すべてのPVフリートに対する普遍的な解決策としてではなく、展開された予測モデルが自身のハードウェアの変化を追跡できなくなっていることを検知するための、候補となる低コストなモニタリングツールとして控えめに位置づけている。

• 診断的有用性： 本フレームワークは、気象駆動の変動とシステム状態の変化を正常に区別することに成功した。深刻なドリフトを示すDKASCサイトと、安定したPVDAQサイトの対照的な結果は、提案された解釈の実現可能性を示す証拠となっている。
• 容量の整合性： 有効容量を明示的にモデリングまたは推定することで、本来失われるはずのクロス期間の予測可能性を回復できることを実証している。
• 運用の洞察： 結果は、高持続性の環境（熱砂漠など）では、複雑な気象予測を追加することよりも、堅牢なプリプロセッシング（RobustScaler）の方が、容量シフトに対処するために重要であることを示唆している。

著者による制限事項の認容

• 単一の劣化サイト： 劣化分析は特定の1サイトに依存しており、−17%/年という数値は、サイト固有の複合率であり、一般的なPV劣化率ではない。
• プロキシ（代理指標）の妥当性： 容量推定器（ローリングP95）は、雲量や出力抑制によって混同される可能性のあるプロキシであり、直接的な物理的測定ではない。
• 合成NWP： 安定したサイトにおける将来の気象の価値に関する分析には、実際の運用予報ではなく合成ノイズが使用されており、NWPの有用性に関する主張には限界がある。
• 推論上の注意： データの時間依存性のため、報告されたp値は確定的というよりも、記述的かつ名目的なものとして扱われている。

結論として、本研究は、モデル化されていない有効容量の変動が長期予測劣化の主要な原因であること、そしてオラクル・パーシスタンス診断が、標準的な性能指標を用いてこの現象を検出するための透明な手法を提供することを確立している。