超短期太陽光発電予測のための二層ドリフト検出と適応的再学習
Dual-Layer Drift Detection and Adaptive Retraining for Ultra-Short-Term Photovoltaic Power Forecasting
太陽光発電(PV)予測モデルは、環境条件の変化、システムの経年劣化、表面の汚れなどによるドリフトイベントにより、運用環境下で徐々に劣化する。本研究では、データ分布と予測誤差の変動を同時に監視し、モデル更新タイミングを動的に調整することで、ドリフトポイントを特定し、予測精度を維持するドリフト対応型予測戦略を提案する。まず、STL-EDDM戦略を開発し、入力特徴量の分解、異常変動の検出、性能変動の追跡を行う。次に、Neuralprophetを予測バックボーンとして使用し、ドリフトイベントが検出された際にモデルを適応的に再学習させる。中国の10箇所のPV発電所での検証結果によると、提案されたSTL-EDDM戦略は平均MAEを2.480 MWから1.287 MWに削減し、非適応型ベースラインと比較して48.1%の改善を示した。さらに、PVODデータセットでの比較実験では、提案フレームワークは評価されたベースラインモデル全体を上回り、平均MAEとRMSEをそれぞれ15.2%、16.5%削減した。このドリフト対応戦略は、非定常PV予測シナリオにおける解釈性と堅牢性を向上させる。
- 中国の10箇所のPV発電所での検証で、提案したSTL-EDDM戦略は平均MAEを2.480MWから1.287MWへ削減し、非適応型ベースライン比で48.1%改善した
- PVODデータセットでの比較実験で、提案フレームワークは評価対象のベースラインモデル全体を上回り、平均MAEを15.2%、RMSEを16.5%削減した
- Neuralprophetを予測バックボーンとして採用し、ドリフトイベント検出時にモデルを適応的に再学習させるドリフト対応型予測戦略を提案した
太陽光発電予測モデルの経年劣化・汚れ・環境変化による「ドリフト」への適応的再学習は、AI/ML運用(MLOps)の実務課題そのもの。中国10拠点のPV発電所でMAEを48.1%削減、PVODデータセットで既存ベースラインを平均MAE15.2%・RMSE16.5%改善したという定量成果は、再エネ発電量予測の精度が需給バランスや電力市場の取引判断に直結するだけに注目度が高い。予測精度の向上は発電事業者の収益安定化や系統運用コスト低減に寄与し、同種のドリフト検出・再学習フレームワークを提供する産業AIベンダーにとっては、エネルギー領域への横展開余地を示す材料になる。