報告書番号

SS23002

タイトル（和文）

翌日までを対象とする太陽光発電出力予測手法－回帰木のアンサンブル学習適用による予測誤差の低減－

タイトル（英文）

Photovoltaic power prediction up to the next day -Reducing prediction errors by applying ensemble learning to regression trees-

概要 （図表や脚注は「報告書全文」に掲載しております）

背　　景
我が国の電源構成に占める太陽光発電（PV）の比率が高まる中，電力の需給調整や系統安定化のためには，PV出力予測の精度向上が不可欠となっている．当所では，ベータ分布を用いて，気象庁メソ数値予報モデル（MSM）の日射量予測値から電力エリアの総PV出力を算出し（以下，従来手法と呼ぶ），翌日を対象としたPV出力予測を電力各社に配信している．同手法は日射量のみからPV出力を算出するが，機械学習手法を導入し，日射量以外の気象予測値も変換に活用することで，PV出力予測の精度向上が見込まれる．その際，予測結果の解釈が可能で利用者への説明性が高い手法の導入も期待される．

目　　的
機械学習手法を用いて，気象予測値をPV出力へ変換するモデルを構築し，それを用いたPV出力予測の精度を検証する．また，構築した変換モデルにおける各説明変数のPV出力への寄与を定量化する．

主な成果
1. PV出力変換への機械学習手法の適用
MSMの気象予測値から電力エリアの総PV出力を導出する変換モデルを，機械学習手法を用いて構築した．機械学習手法として，特徴の異なる複数の回帰木をアンサンブル学習させることで予測精度の向上を図るランダムフォレスト（RF）と勾配ブースティング決定木（GBDT）を適用した．予測時間とともに増加する予測誤差の影響を考慮するため，予測時間6時間毎に変換モデルを構築した．
2. PV出力予測の検証
2019年の1年間のデータを学習した変換モデルを用いて，2020年の1年間の予測を試行し，その精度を検証した．2種類の機械学習手法と3種類の気象予測値を用いた6種類の提案手法は，従来手法と比較して，24-30時間先の平均予測誤差が最大9.8%，上振れ最大誤差が最大15%低減した．
3. 構築した変換モデルの説明方法の検討
Shapley Additive exPlanations （SHAP）を用いて，変換モデルの説明変数のPV出力への寄与を分析した．作成した変換モデルでは，日射量とPV出力の比例関係に加えて，気温や時間帯の違いがPV出力に影響していることが示され，これらを説明変数に加えることが予測精度の向上に有効であることが明らかとなった．

今後の展開
各電力エリアを対象に，本変換モデルを用いた予測配信システムを構築する．

概要 （英文）

The installation of a photovoltaic power generation system has been increasing in Japan. Improvements in the accuracy of the photovoltaic power prediction are necessary to balance the energy demand and supply and to stabilize the power system. For a photovoltaic prediction based on a numerical weather prediction model, we used an empirical conversion model that calculates area-integrated photovoltaic generation from the area-averaged solar radiation by applying a beta distribution. Here, we developed a new conversion model that calculates area-integrated photovoltaic generation from numerical weather prediction data based on ensemble machine learning methods. This study utilized two ensemble machine-learning methods: the Random Forest and Gradient Boosting Decision Tree. Comparisons of one-year predictions based on the empirical conversion model and machine learning show that the latter reduces the root mean square error of 24-to-30 hour predictions by 8.9% and the maximum overestimate by 15%. We examined the contribution of each explanatory variable of the constructed conversion model to the photovoltaic prediction by using the Shapley Additive exPlanations. The constructed conversion model has partial dependencies on the local temperature and the time of the day as well as strong linear dependency to the solar radiation, which suggests that adding these to the explanatory variables is effective in improving prediction accuracy.

報告者

キーワード