短期間太陽光発電予測のためのドメイン認識ランダムフォレストの評価
Evaluating Domain-Aware Random Forests for Short-Term Photovoltaic Power Forecasting
本論文では、太陽光発電(PV)の予測精度を高めるため、従来のランダムフォレスト(RF)が持つ均一な特徴量サンプリングの欠点を克服するドメイン認識ランダムフォレスト(DARF)を提案する。DARFは、専門知識を有向非巡回グラフ(DAG)として表現し、そのエッジ強度を多変量リッジ回帰(MVRR)で推定し、ドメイン事前重み(DPW)を算出することで、RFの特徴量サンプリングを偏らせる。ザンビアのキットウェにある34 MWpのPVプラントの6ヶ月間の30分運用データを用いて、短時間(1時間未満)の電力予測タスクで評価した結果、DARFはRFと比較してMAEを6.69%、RMSEを8.85%、MAPEを1.11%削減し、R2を0.773から0.812に向上させた。これは統計的にも有意な差であった。DARFは、DPWの高い予測変数へのツリー構築をシフトさせ、RFと比較してトレーニング時間は6.7%増加するが、推論時間には変化がない。XGBoostモデルの方が全体的な精度は高いものの、DARFは知識に基づいたRFの透明性の高い改善を提供するものである。
- ドメイン認識ランダムフォレスト(DARF)を提案し、専門知識をDAGで表現、エッジ強度を多変量リッジ回帰(MVRR)で推定してドメイン事前重み(DPW)を算出、RFの特徴量サンプリングを偏らせる手法を公開
- ザンビア・キットウェの34 MWp太陽光発電プラントの6ヶ月間・30分粒度運用データを用い、1時間未満の短期電力予測で評価
- DARFはランダムフォレスト比でMAE 6.69%、RMSE 8.85%、MAPE 1.11%を削減し、R2を0.773から0.812へ改善。統計的に有意な差を確認
- トレーニング時間はRF比6.7%増加する一方、推論時間は変化なし。XGBoostの方が全体的な精度は高いと報告
太陽光発電(PV)の短期出力予測精度を高める研究で、成果物の領域は再生可能エネルギー運用に該当する。DARFはMAEを6.69%、RMSEを8.85%、MAPEを1.11%削減しR2を0.773から0.812に改善、推論時間はRFと同等でトレーニング時間は6.7%増に留まる点は、蓄電池併設や需給調整・電力市場取引の予測系に組み込みやすい実用的な改善。ただし検証はザンビアの34MWp単一プラント6ヶ月データに限られ、XGBoostに総合精度で劣るため、事業インパクトは限定的と見る。日本ではFIT後の再エネ出力制御や需給逼迫対応が投資テーマになるため、予測精度向上の手法が今後複数拠点・地域で再現するかが注目点。