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

Technische Samenvatting: Het Leren van Langetermijn Temporele Afhankelijkheden in de Voorspelling van Zonne-energieproductie via Multi-Horizon Voorspelling

Probleemstelling
De snelle uitbreiding van zonne-energie (PV)-capaciteit introduceert aanzienlijke uitdagingen voor de stabiliteit van het elektriciteitsnet vanwege de intermitterende aard van zonne-instraling, gedreven door seizoensgebonden variaties en plotselinge weersveranderingen. Hoewel directe voorspelling op basis van diep leren met behulp van bodemgebaseerde hemelbeelden (GSI) een dominante aanpak is geworden, wordt de bestaande literatuur beperkt door twee primaire beperkingen:

1. Enkel-Horizon Focus: De meeste modellen zijn getraind om een enkele toekomstige waarde (puntvoorspelling) op een specifiek tijdstip $T$ te voorspellen, waardoor ze de rijke temporele afhankelijkheden die inherent zijn aan de evolutie van zonnecondities niet benutten.
2. Architectuurspecifieke Evaluaties: Onderzoek vertrouwt vaak op een enkel netwerkarchitectuur (bijvoorbeeld een specifieke CNN-variant) en kleine datasets, wat de generaliseerbaarheid van conclusies met betrekking tot modelprestaties beperkt.

De centrale onderzoeksvraag die wordt aangepakt, is of een diep leermodel dat is getraind om meerdere toekomstige tijdstippen simultaan te voorspellen, de ingewikkelde temporele afhankelijkheden die zonnecondities beheersen, effectiever kan vastleggen dan traditionele enkel-punts schatting.

Methodologie
De auteurs stellen een multi-horizon voorspellingkader voor dat het paradigma verschuift van enkel-stap schatting naar gezamenlijke optimalisatie over een reeks toekomstige waarden.

• Probleemformulering: De taak wordt gedefinieerd als een afbeeldingsfunctie $\psi$ die historische hemelbeelden ($I$) en historische PV-energieopbrengsten ($P$) over een venster $H$ met interval $\delta$ neemt om toekomstige opbrengsten te voorspellen.
  • Enkel-Punts: Voorspelt PV-opbrengst op een specifiek toekomstig tijdstip $t + T$.
  • Multi-Horizon: Voorspelt PV-opbrengsten voor de volledige reeks van $t + 1$ tot $t + T$ simultaan.
• Architectuuronafhankelijkheid: De aanpak is ontworpen om architectuur-agnostisch te zijn. De auteurs valideren dit met twee verschillende baseline-modellen:
  1. SUNSET: Een gespecialiseerde CNN-architectuur ontworpen voor directe beeldgebaseerde nuvoorspelling van PV-energie.
  2. MobileNet (v3 large): Een lichtgewicht, voorgetraind convolutioneel netwerk dat is aangepast om sequentiële beeldinvoer en historische PV-gegevens te accepteren.
• Invoerverwerking: De modellen verwerken sequentiële RGB-hemelbeelden (historisch 15 minuten op 1-minuut intervallen) en historische PV-energiegegevens. Voor MobileNet wordt de invoerlaag aangepast om meerdere beeldframes te verwerken, en volledig verbonden lagen worden bevroren of aangepast om beeld- en tijdreekskenmerken te fuseren.
• Doelfunctie: De netwerken worden getraind met behulp van de Mean Squared Error (MSE) verliesfunctie over alle voorspelde tijdstappen in het horizon.

Belangrijkste Bijdragen

1. Demonstratie van Langetermijn-Afhankelijkheidsleren: Het artikel levert experimenteel bewijs dat gezamenlijke optimalisatie over een reeks toekomstige waarden diepe neurale netwerken in staat stelt om latente inter-stap temporele afhankelijkheden beter vast te leggen.
2. Architectuuronafhankelijke Verbetering: De multi-horizon aanpak blijkt de nauwkeurigheid te verbeteren over verschillende netwerkontwerpen (SUNSET en MobileNet), waardoor het wordt gepositioneerd als een algemene verbeteringsstrategie in plaats van een vervanging voor specifieke architecturen.
3. Rekenkundige Parsimonie: De methode bereikt superieure nauwkeurigheid met verwaarloosbare rekenkundige overhead. De toename in trainbare parameters is minimaal (bijvoorbeeld ~0,15% voor SUNSET en ~0,4% voor MobileNet) in vergelijking met enkel-uitvoer modellen.

Experimentele Resultaten
De methodologie werd geëvalueerd met behulp van de SKIPP'D dataset (Sky Images and Photovoltaic Power Generation Dataset), bestaande uit uitgelijnde hemelbeelden en PV-logboeken van 2017–2019 onder variërende weersomstandigheden (zonnig, deels bewolkt, bewolkt).

• Prestatiemetingen: De multi-horizon aanpak presteerde consequent beter dan enkel-punts voorspelling in termen van Root Mean Squared Error (RMSE) en Mean Absolute Error (MAE).
  • Op het SUNSET-model met 64×64-invoer waren de RMSE-verbeteringen 9,01% (15-min horizon), 5,6% (30-min horizon) en 3,4% (60-min horizon).
  • Verbeteringen werden waargenomen op zowel zonnige als bewolkte dagen, met bijzonder significante winsten op zonnige dagen (bijvoorbeeld 56,13% RMSE-verbetering op een specifieke zonnige testdag).
• Statistische Analyse: De multi-horizon modellen vertoonden hogere $R^2$-scores en regressielijnen dichter bij de identiteitslijn (45-graad lijn), wat een betere goodness-of-fit en generalisatie aangeeft.
• Interne Mechanisme Analyse:
  • Gewichtsgradiënten: Analyse van gradiëntgroottes onthulde dat multi-horizon modellen een langzamere convergentiesnelheid vertonen in vergelijking met enkel-punts modellen. Dit suggereert dat het netwerk "vroegtijdige convergentie" (vastlopen in lokale minima) vermijdt en complexere kenmerken voor een langere duur blijft leren.
  • Filter Diversiteit: Cosinus-similariteitsanalyse van filters toonde aan dat multi-horizon training een hogere filterdiversiteit behoudt, waardoor het voorkomen wordt dat het netwerk instort in redundante kenmerkrepresentaties.

Betekenis en Beweringen
Het artikel beweert dat dit werk een schaalbare en efficiënte oplossing biedt om de veerkracht van moderne elektriciteitsnetten te verbeteren. Door over te stappen van enkel-punts schatting naar een holistisch multi-horizon kader, tonen de auteurs aan dat:

• Diep leermodellen de evolutie van zonnecondities beter kunnen modelleren door vroegtijdige convergentie te vermijden.
• Deze verbetering wordt bereikt zonder aanzienlijke rekenkosten, waardoor het zeer geschikt is voor real-time netintegratie.
• De aanpak dient als een robuuste, architectuuronafhankelijke upgrade voor bestaande voorspellingsmodellen, waardoor de voorspellende nauwkeurigheid over het volledige voorspellingshorizon wordt verbeterd.

De auteurs blijven bescheiden wat betreft toekomstige implicaties, met de opmerking dat huidige experimenten beperkt zijn tot de SKIPP'D dataset (Californisch klimaat) en kleinschalige residentiële PV-systemen. Zij suggereren dat toekomstig werk diverse wereldwijde weersomstandigheden, ruimtelijke variabiliteit op nutsbedrijfschaal, en de integratie van meteorologische variabelen (vochtigheid, wind) of op transformers gebaseerde architecturen zou kunnen verkennen.