A Novel Hybrid VMD-TCN-BiGRU Model for Solar Irradiation Prediction Using Long-Term Monthly Meteorological Data

技術要約：太陽放射量予測のための新しいハイブリッドVMD-TCN-BiGRUモデル

問題提起
太陽エネルギーは、世界の持続可能な電力への移行における重要な要素であるが、その統合は太陽放射量（SI）の断続的な性質によって阻害されている。SIを正確に予測することは、投資判断、グリッドの安定性、および太陽光発電（PV）システムの効率的な運用に不可欠である。様々な機械学習（ML）およびディープラーニング（DL）手法がSI予測に適用されてきたが、既存の文献は古典的なモデルに依存しているか、あるいは長期的な気象データに特有の高次非線形性や非定常性を処理できる強力なハイブリッドアーキテクチャを欠いていることが多い。課題は、複雑な気象データセットから時間的依存関係と周波数成分を効果的に抽出できるモデルを開発し、優れた予測精度を実現することである。

手法
本研究では、変分モード分解（VMD）、時間畳み込みネットワーク（TCN）、および双方向ゲート再帰ユニット（BiGRU）を統合した、新しいハイブリッドディープラーニングフレームワークを提案する。このモデルは、NASA POWERから取得した長期気象データ（1984年1月～2025年12月）を用い、トルコのコンヤ県カラピナール地区における月間SIを予測するために適用された。

提案されたアーキテクチャは、以下の4つの連続したステージで動作する。

1. データ前処理： 急激なスパイクやノイズの影響を軽減するために、生のSIデータに対して対数変換（$x(t) = \log(1+y(t))$）を行い、続いて$[0, 1]$の範囲に正規化を行う。
2. VMDベースの分解： 前処理された信号は、$K=6$個の固有モード関数（IMF）に分解される。このステップにより、線形および非定常構造が分離され、後続の層が特定の周波数帯域内の独自の周期パターンを特定することが可能になる。
3. 階層的TCN-BiGRUエンジン： 各IMFコンポーネントは、以下のディープラーニングブロックによって並列に処理される：
   • TCN層： 拡張された受容野を持つ拡張因果畳み込みを利用して、長期的な時間的依存関係を捉え、IMFから階層的な特徴を抽出する。
   • BiGRU層： TCNからの特徴を順方向および逆方向の両方向に処理することで、双方向の時間的関係を捉え、データの損失を防ぎ、標準的なRNNで一般的な勾配消失問題を緩和する。
4. 集約と再構成： 6つの各IMFに対する予測値が合算され、最終的な信号が再構成される。出力をもとの単位（$kW\cdot h/m^2/day$）に戻すために、逆対数変換（$\exp(x) - 1$）が適用される。

ベンチマーキング
提案されたVMD-TCN-BiGRUモデルの性能は、XGBoost、Light Gradient Boosting Machine (LGBM)、Convolutional Neural Network (CNN)、Decision Tree (DT)、Long Short-Term Memory (LSTM)、Elastic Net (ENet)、Extreme Learning Machine (ELM)、およびHistogram-Based Gradient Boosting (HGB) の8つの確立されたアルゴリズムと厳密に比較された。すべてのモデルは、同一のハイパーパラメータ最適化戦略を用いて、データセットの80/20分割でトレーニングされた。

主な結果
本研究では、平均二乗誤差（MSE）、平方根平均二乗誤差（RMSE）、平均絶対誤差（MAE）、平均絶対パーセント誤差（MAPE）、決定係数（$R^2$）、および残差予測偏差（RPD）を含む複数の評価指標を用いた。

• 誤差の低減： 提案されたハイブリッドモデルは、9つのモデルの中で最も低い誤差率を達成し、MSEは0.0593、RMSEは0.2434、MAEは0.1879、MAPEは4.14%であった。
• 説明力： モデルは0.9849という最高の$R^2$値を達成し、これはデータセットのほぼすべての変動をモデル化することに成功したことを示している。
• 信頼性（RPD）： モデルは8.137のRPD値を達成し、次に優れたモデル（XGBoostの6.037）を大幅に上回った。RPDが8.0を超えていることは、実用的なアプリケーションにおいてモデルが非常に信頼できることを示唆している。
• 安定性と汎化性能： 10分割交差検証分析により、モデルの安定性が確認された。全フォールドを通じて$R^2$値は97.05%から99.34%の範囲にあり、過学習に対する堅牢性を示した。
• 誤差分布： ヒストグラムおよび確率密度分析により、提案モデルの誤差はゼロ付近に最も集中し、分散が最小であることが明らかになった。一方で、他のモデルはより広い誤差の裾と大きな偏差を示した。

意義と主張
著者らは、VMD-TCN-BiGRUハイブリッドモデルが、単一アーキテクチャモデルの限界に対処することで、SI予測における重要な進歩を象徴していると主張している。本研究は、VMDの統合がノイズと複雑な信号成分を効果的に分離し、TCN-BiGRUの組み合わせが局所的な特徴抽出と双方向の時間的学習の両方を活用していると断言している。

本論文は、このハイブリッドアプローチが、長期的な月間SI予測において、標準的なMLおよびDL手法（CNNやLSTMを含む）よりも高い精度と信頼性を提供すると結論付けている。著者らは、このモデルを、カラピナールのような太陽ポテンシャルの高い地域におけるエネルギー管理、グリッド計画、およびPVシステム最適化のための優れたツールとして位置付けている。研究は、信号分解と双方向ディープラーニングの特定の組み合わせが、報告された98.5%の精度レベルを達成するための鍵であることを強調している。著者らによって示唆されている今後の課題には、異なる気候帯でのモデルのテストや、風力などの他の再生可能エネルギーへの適用の探索が含まれる。