VMD-GCN-Informerを用いた太陽光発電所クラスターの確率的電力予測
Probabilistic Power Forecasting for Photovoltaic Plant Clusters Using VMD-GCN-Informer
本論文は、太陽光発電(PV)クラスターにおける多時間スケール特性、PVプラント間の空間依存性、長期時間相関、および出力の不確実性を同時に捉えるための時空間確率的予測フレームワークを提案する。このフレームワークは、変分モード分解(VMD)、グラフ畳み込みネットワーク(GCN)、Informer、および分位数回帰(QR)を統合する。VMDは非定常PV電力系列を異なる周波数特性を持つ成分に分解し、GCNはPVプラント間の空間依存性を捉える。Informerは長期時間依存性を効率的にモデル化し、QRは出力の不確実性を定量化するための確率的予測を生成する。提案手法(VMD-GCN-Informer-QRモデル)は、オーストラリアDKASC PVシステムのデータを用いて評価された。5分予測ホライズンにおいて、提案モデルはMAE 42.834 kW、RMSE 72.182 kWを達成した。確率的予測では、PICP 89.682%、MPIW 201.818 kWを達成した。複数ステップ予測では、提案モデルは15分から60分においてPersistenceを上回り、予測ホライズンが長くなるにつれて相対的な優位性が増大することが示された。季節分析でも、異なる季節条件下での提案モデルの適応性が確認された。
- VMD・GCN・Informer・分位数回帰を統合した時空間確率論的PV予測フレームワーク(VMD-GCN-Informer-QR)を提案。
- 5分予測ホライズンでMAE 42.834kW、RMSE 72.182kWを達成。
- 確率的予測でPICP 89.682%、MPIW 201.818kWを達成。
- 15分から60分の複数ステップ予測でPersistence手法を上回り、ホライズンが長くなるほど優位性が拡大。
- 評価はオーストラリアDKASC PVシステムのデータを用いて実施。
太陽光発電クラスターの出力予測精度を高める学術研究で、VMD・GCN・Informer・分位数回帰を統合し、5分先でMAE 42.834kW/RMSE 72.182kW、確率的予測でPICP 89.682%・MPIW 201.818kW、15〜60分の複数ステップでPersistenceを上回った点が実務的に重要。再エネ比率が高まるほど予測誤差は需給調整コスト・インバランス料金・蓄電池運用収益に直結するため、この種の予測モデルは発電事業者・系統運用者・電力取引プレイヤーの収益性を左右しうる。ただし現時点ではDKASCデータでの検証段階であり、商用製品化や事業計画への採用は示されておらず、投資判断には実運用規模での検証と導入事例の確認が必要。