Complex-Valued Time Series Based Solar Irradiance Forecast

Dit artikel introduceert een eenvoudige en efficiënte methode voor probabilistische voorspelling van zonne-irradiantie door gebruik te maken van complex-waardige tijdsreeksen, waarbij de meetwaarde als reële en de volatiliteit als imaginaire component fungeert, wat resulteert in nauwkeurige voorspellingen die vaak concurreren met of beter zijn dan gevestigde modellen.

De kern

🌞 Voorspellen van de zon: Een nieuwe manier met "complexe" getallen

Stel je voor dat je een weerman bent die de zonneweersvoorspelling moet doen voor zonnepanelen. Het probleem? De zon is niet altijd betrouwbaar. Soms schijnt hij fel, en dan ineens trekt er een wolk voorbij en daalt de energieproductie razendsnel.

De meeste oude methoden zijn als een trein op een spoor: ze kijken naar het grote plaatje en de gemiddelde trend. Ze zeggen: "Over een uur is het waarschijnlijk nog steeds zonnig." Maar ze missen de snelle schokken (die plotselinge wolken). Als je die niet ziet, kan dat problemen geven voor het energienet.

De auteurs van dit paper (uit Corsica) hebben een slimme, nieuwe manier bedacht om dit op te lossen. Ze noemen het een "complexe tijdreeks", maar laten we dat simpel houden.

1. De Twee Delen van de Zon (Het Reële en het Imaginaire)

In de wiskunde bestaan er "complexe getallen". Die hebben twee delen: een reëel deel (het echte, zichtbare deel) en een imaginaire deel (een wiskundig hulpmiddel dat er niet echt is, maar wel nuttig).

De onderzoekers hebben dit idee op de zon toegepast:

• Het Reële Deel: Dit is de werkelijke zonneschijn die we meten. Hoeveel energie valt er nu op de panelen?
• Het Imaginaire Deel: Dit is de onzekerheid of de rusteloosheid van de zon. Hoeveel kan het binnen een uur nog schommelen? Is het een rustige dag of een dag met veel wisselvallige wolken?

De Analogie:
Stel je voor dat je een boot vaart.

• Het reële deel is je snelheid (hoe snel ga je nu?).
• Het imaginaire deel is de grootte van de golven (hoe onrustig is het water?).
  Als je alleen naar je snelheid kijkt, weet je niet of je binnen 10 minuten in een storm terechtkomt. Maar als je beide tegelijk bekijkt, kun je veel beter voorspellen wat er gaat gebeuren.

2. De "Zonne-voorspeller" (Het Model)

De onderzoekers hebben een wiskundig model gemaakt dat deze twee delen (snelheid en golven) samen in één berekening doet. In plaats van twee aparte formules te schrijven, gebruiken ze één "complexe formule".

Dit is als een multitool-mes: in plaats van een apart mes, een schaar en een flesopener te dragen, heb je één apparaatje dat alles kan.

• Het model is simpel: Het heeft weinig rekenkracht nodig en weinig data.
• Het is slim: Het pakt die snelle schommelingen (de wolken) veel beter op dan de oude methoden.

3. Waarom is dit beter dan de oude methoden?

Vroeger gebruikten mensen methoden die als een statistische gok werkten (zoals een "Gaussisch proces"). Die zeggen vaak: "Het kan hier of daar liggen," maar de voorspelde zone is vaak heel breed.

• Vergelijking: Het is alsof je zegt: "De trein komt ergens tussen 14:00 en 16:00." Dat is waar, maar niet heel nuttig.

De nieuwe methode maakt de voorspelling scherper.

• Vergelijking: Ze zeggen: "De trein komt om 14:15, en als er een storing is, is het hooguit 14:20."
  Dit is veel waardevoller voor wie het energienet moet beheren. Ze kunnen beter inschatten hoeveel "reserve" ze nodig hebben.

4. Wat zeggen de resultaten?

De onderzoekers hebben dit getest met echte data van Corsica.

• Nauwkeurigheid: Hun methode is net zo goed als de oude methoden voor de basisvoorspelling.
• Betrouwbaarheid: Voor de "gok" (hoe groot is de kans dat het fout gaat?) is hun methode beter. Ze geven een smaller, maar betrouwbaarder bereik.
• Simpelheid: Het is niet nodig om supercomputers te gebruiken. Je kunt dit zelfs in een simpele Excel-lijstje doen als je de juiste cijfers hebt.

🎯 De conclusie in één zin

De onderzoekers hebben een slimme, eenvoudige wiskundige truc bedacht waarbij ze de "rusteloosheid" van de zon (wolken) koppelen aan de zonneschijn zelf. Hierdoor kunnen ze de toekomst van zonne-energie nauwkeuriger en realistischer voorspellen, zonder dat het ingewikkeld of duur is.

Het is alsof ze van een simpele weersvoorspelling ("het wordt zonnig") een slimme navigatiesysteem hebben gemaakt dat ook de plensbuien onderweg voorspelt.

Technische samenvatting

Probleemstelling

De integratie van zonne-energie in het elektriciteitsnet wordt bemoeilijkt door de willekeurige en variabele aard van de zonnebron. Traditionele voorspellingsmethoden voor fotovoltaïsche (PV) opwekking hebben vaak moeite om zowel de algemene trend als de snelle fluctuaties in de globale horizontale straling (Global Horizontal Irradiance - GHI) nauwkeurig te vangen.

• Geavanceerde niet-parametrische methoden kunnen overfitting vertonen of te complex zijn voor praktische toepassingen (bijv. gebrek aan data, systeemfouten, rekentijd).
• Netbeheerders geven vaak de voorkeur aan robuuste, eenvoudige modellen, zelfs als dit ten koste gaat van de prestaties.
• Er is behoefte aan een methode die zowel deterministische voorspellingen als betrouwbare probabilistische intervallen (voorspellingsintervallen) levert, met name voor het beheren van onzekerheid en volatiliteit.

Methodologie

De auteurs stellen een nieuwe, niet-parametrische probabilistische voorspellingsmethode voor die gebaseerd is op complex-waardige tijdreeksen. De kern van de aanpak is als volgt:

1. Data-voorbereiding:

   • De invoer is de gemeten GHI, genormaliseerd tot de helderheidsindex ($\kappa$) door deze te delen door de berekende straling onder heldere luchtcondities ($GHICS$).
   • De data komt van Ajaccio (Corsica, Frankrijk) en omvat meetwaarden van 2008-2017 (training) en 2018 (testen).

2. Constructie van de Complex-waardige Reeks:

   • In plaats van $\kappa$ en de volatiliteit ($\sigma_\tau$) apart te modelleren, worden ze gecombineerd tot één complexe reeks $z(t)$:
     $$z(t) = \kappa(t) + j\sigma_\tau(t)$$
     waarbij het reële deel de voorspelde straling is en het imaginaire deel de geschatte volatiliteit (onvoorspelbaarheid/snelheid van fluctuaties).
   • De volatiliteit $\sigma_\tau(t)$ wordt berekend als de standaardafwijking van de rendementen ($r(t) = \kappa(t) - \kappa(t-1)$) over een schuivend venster van $\tau$ uur (in dit geval $\tau=30$).

3. Model: Complex Autoregressief (AR) Model:

   • Een autoregressief model van orde $p$ (AR(p)) wordt toegepast op de complexe reeks $z(t)$.
   • Dit reduceert het probleem van het voorspellen van twee variabelen ($\kappa$ en $\sigma_\tau$) tot één enkele regressievergelijking in het complexe vlak:
     $$\hat{z}(t+1) = \sum_{i=0}^{p-1} z(t-i)\omega_i$$
   • De parameters $\omega$ worden geschat via minimale kwadraten (least squares) in het complexe domein, waarbij de Frobenius-norm wordt gebruikt in plaats van de gebruikelijke $L_2$-norm.

4. Probabilistische Voorspelling:

   • Op basis van de voorspelde volatiliteit en de aannames over de verdeling (benaderd als normaal), worden voorspellingsintervallen gegenereerd.
   • De auteurs tonen theoretisch aan dat de volatiliteit correleert met de variantie van de hoogfrequente componenten van de straling, waardoor deze geschikt is om de breedte van het voorspellingsinterval te bepalen.
   • Een data-gedreven correctie (gebaseerd op simulaties in de trainingsruimte) wordt toegepast om de theoretische intervallen te kalibreren voor een specifieke dekking (bijv. 80%).

Belangrijkste Bijdragen

• Nieuwe Formalisme: De introductie van een complex-waardige tijdreeks om zowel de trend als de volatiliteit van zonne-energie gelijktijdig te modelleren.
• Eenvoud en Efficiëntie: De methode vereist zeer weinig resources en data. Het model is eenvoudig te implementeren (zelfs in een spreadsheet) en vereist slechts een klein aantal parameters (in dit geval 6 complexe getallen).
• Theoretische Validatie: De link tussen de gedefinieerde volatiliteit en de hoogfrequente fluctuaties in de straling wordt wiskundig onderbouwd, wat de basis vormt voor de probabilistische intervallen.
• Vergelijking met Geavanceerde Methodes: De methode presteert vergelijkbaar met of beter dan complexe methoden zoals Gaussian Processes, Bootstrap-methodologieën en Quantile Regression, maar is aanzienlijk eenvoudiger.

Resultaten

De methode (aangeduid als "Compl") is getest op verschillende voorspellingshorizonten (1 tot 6 uur) en vergeleken met drie andere methoden: Gaussian Process (Gauss), Bootstrap (Boot) en Ridge Quantile Regression (Quant).

• Deterministische Nauwkeurigheid: De genormaliseerde Root Mean Square Error (nRMSE) is voor alle methoden zeer vergelijkbaar (bijvoorbeeld voor 1 uur: 0.196 voor Compl vs. 0.197 voor Gauss).
• Probabilistische Kwaliteit:
  • Interval Coverage Probability (PICP): De "Compl"-methode levert een dekking van ongeveer 80% op voor een nominale dekking van 80%, wat zeer nauwkeurig is.
  • Mean Interval Length (MIL): De "Compl"-methode levert de kortste voorspellingsintervallen bij een vaste dekking. Dit betekent dat de onzekerheid smaller wordt geschat dan bij de andere methoden, wat waardevol is voor netbeheerders.
  • CRPS & MSIS: De Continuous Rank Probability Score (CRPS) en Mean Scaled Interval Score (MSIS) tonen aan dat de fouten van de complex-waardige methode niet prohibitief zijn en vaak beter zijn dan de Bootstrap-methode, hoewel Quantile Regression soms iets beter scopt op CRPS.

Significantie en Toekomstperspectief

• Praktische Toepasbaarheid: De methode is ideaal voor stand-alone toepassingen en smart grid management omdat deze robuust is, weinig rekenkracht vereist en niet afhankelijk is van complexe toolbox-omgevingen.
• Integratie van Hernieuwbare Energie: Door betere en bredere voorspellingsintervallen te bieden, helpt deze methode bij het beter managen van de variabiliteit van zonne-energie.
• Brede Toepasbaarheid: De auteurs suggereren dat deze aanpak niet beperkt is tot zonne-energie. Het concept van het gebruik van complex-waardige tijdreeksen (waarbij het imaginaire deel andere variabelen zoals residuen of exogene data vertegenwoordigt) kan worden toegepast op andere tijdreeksproblemen in de fysica en machine learning.
• Toekomstig Werk: Verdere validatie is nodig met verschillende tijdstappen en voorspelbaarheidsscores, evenals de toepassing op andere voorspellingsmodellen (zoals neurale netwerken).

Kortom, dit artikel presenteert een elegante, eenvoudige maar krachtige oplossing voor het voorspellen van zonne-energie die de balans vindt tussen theoretische diepgang en praktische bruikbaarheid.