بررسی پیش‌بینی‌های قطعی در زمینه انرژی خورشیدی – بخش اول

(سومین مقاله پر ارجاع در نشریه بین‌المللی سولار انرژی)

نویسندگان: داژی یانگ، استفانو آلساندرینی، خاویر آنتونانزاس و همکاران.

تاریخ انتشار مقاله: نوامبر 2020

چکیده:

زمینه پیش‌بینی انرژی در دهه گذشته محققان بسیاری را از زمینه‌های مختلف (به عنوان مثال هواشناسی، علوم داده، مهندسی مکانیک یا برق) به خود جذب کرده است. پیش‌بینی خورشیدی یک زیردامنه در حال رشد سریع برای پیش‌بینی انرژی است. علی‌رغم چندین تلاش قبلی، روش‌ها و اقدامات مورد استفاده برای تأیید پیش‌بینی‌های قطعی (همچنین به عنوان تک ارزشی یا نقطه‌ای) پیش‌بینی‌های خورشیدی هنوز از استانداردسازی فاصله دارند، و تحلیل و مقایسه پیش‌بینی را دشوار می‌کنند.

برای تجزیه و تحلیل و مقایسه پیش‌بینی‌های خورشیدی، چارچوب به‌خوبی تثبیت‌شده مورفی-وینکلر برای تأیید پیش‌بینی توزیع‌محور به عنوان یک عمل استاندارد توصیه می‌شود. این چارچوب جنبه‌های مختلف کیفیت پیش‌بینی، مانند قابلیت اطمینان، دقت، پیوستگی یا تمایزها را بررسی می‌کند، و توزیع مشترک پیش‌بینی‌ها و مشاهدات را که شامل تمام اطلاعات مستقل از زمان مرتبط با راستی‌آزمایی است، تجزیه و تحلیل می‌کند. برای تأیید پیش‌بینی‌ها، می‌توان از هر نمایش گرافیکی یا معیار ریاضی/آماری برای ارائه بینش و خلاصه کردن جنبه‌های کیفیت پیش‌بینی استفاده کرد. اکثر روش‌های گرافیکی و معیارهای دقت شناخته شده برای پیش‌بینی‌کنندگان انرژی خورشیدی، روش‌های خاصی تحت این چارچوب کلی هستند.

علاوه بر این، اندازه‌گیری مهارت کلی پیش‌بینی‌کنندگان نیز مورد توجه عمومی است. استفاده از نمره مهارت ریشه میانگین مربعات خطا (RMSE) بر اساس ترکیب محدب بهینه از روش‌های اقلیم شناسی و پایداری به شدت توصیه می‌شود. با استاندارد کردن معیار دقت و روش پیش‌بینی مرجع، امتیاز مهارت RMSE امکان مقایسه پیش‌بینی‌های انجام‌شده با استفاده از مدل‌های مختلف، در مکان‌ها و دوره‌های زمانی مختلف را فراهم می‌کند.

 

مقدمه

شبکه‌های برق، که برق را به کاربران نهایی انتقال و توزیع می‌کنند، همیشه توسط اپراتورهای سیستم کنترل و نظارت می‌شوند تا از تحویل قابل اعتماد برق اطمینان حاصل شود. با توجه به اینکه انرژی خورشیدی و سایر منابع انرژی تجدیدپذیر ذاتاً متغیر هستند و ذخیره انرژی در مقیاس کاربردی هنوز در سطح جهانی مقرون به صرفه نیست، تعالی عملیاتی شبکه‌های برق می‌تواند از پیش‌بینی‌های خورشیدی دقیق بهره‌مند شود. در نتیجه، ابزارهای پیش‌بینی خورشیدی قابل اعتماد و مشخص و روش‌شناسی‌ها ضروری می‌شوند و از ارزش بالایی برخوردار می‌شوند (مارتینز-آنیدو و همکاران، 2016، هوانگ و تاچر، 2017، آنتونانزاس و همکاران، 2017، کلینگلر و تیچتمن، 2017).

تابش امواج کوتاه سطحی در شب در دسترس نیست و در طول روز، به عنوان تابعی از موقعیت خورشید، پوشش ابر، ذرات معلق در هوا و سایر متغیرهای آب و هوا در نوسان است. پیش‌بینی‌های خورشیدی توسط شرکت‌ها به دلایل مختلفی استفاده می‌شوند: تغییر منابع انرژی، برنامه‌ریزی ژنراتورهای پشتیبان، محاسبه ذخایر و تجارت انرژی. افق‌های زمانی تحت پوشش پیش‌بینی مدرن خورشیدی معمولاً از چند ثانیه تا چند روز متغیر است. در دهه گذشته، ادبیات علمی در حوزه این موضوع شکوفا شده است. طیف گسترده‌ای از روش‌ها، یا مبتنی بر فیزیک (به عنوان مثال، تصاویر آسمان یا سایه، سنجش از دور، یا پیش‌بینی عددی آب و هوا)، یا مبتنی بر داده ها (مانند سری های زمانی، آمار مکانی-زمانی، یا یادگیری ماشین)، یا ترکیبی از هر دو (مثلاً مدل‌های ترکیبی)، پیشنهاد شده‌اند (بلاگا و همکاران، 2019، یانگ و همکاران، 2018، واندر میر و همکاران، 2018، وویانت و همکاران، 2017، آنتونانزاس و همکاران، 2016، را ببینید. رن و همکاران، 2015، اینمن و همکاران، 2013). علاوه بر این، مطالعات موجود طیف وسیعی از فواصل زمانی و مکان‌ها را با شرایط آب و هوایی متضاد در بر می‌گیرد. به دلیل این تفاوت‌ها، این زمینه از داشتن یک چارچوب تأیید کلی برای تجزیه و تحلیل پیش‌بینی، و همچنین برای استانداردسازی معیارهای دقت یا متریک‌ها برای مقایسه پیش‌بینی سود می‌برد.

این مقاله سه ماموریت دارد. اولین مورد، معرفی چارچوب راستی‌آزمایی پیش‌بینی توزیع‌محور به جامعه پیش‌بینی خورشیدی است. ایده استفاده از توزیع ها – به ویژه توزیع مشترک پیش‌بینی ها و مشاهدات – در کار مورفی و وینکلر (1987) سرچشمه می گیرد. یک توزیع مشترک شامل تمام اطلاعات مستقل از زمان مربوط به تأیید است. به این ترتیب، از نظر تحلیل پیش‌بینی، دید دقیق‌تری نسبت به رویکرد اندازه‌گیری سنتی ارائه می‌دهد. ماموریت دوم توصیه یک اندازه‌گیری دقت است که باید به طور جهانی در مطالعات پیش‌بینی خورشیدی قطعی (همچنین به عنوان تک‌ارزشی یا نقطه‌ای شناخته می‌شود) گزارش شود – نمره مهارت ریشه میانگین مربعات خطا (RMSE) بر اساس ترکیب محدب بهینه اقلیم شناسی و تداوم. از آنجایی که امتیاز مهارت می‌تواند مشکلات ذاتی را در موقعیت‌های مختلف پیش‌بینی منعکس کند، امکان مقایسه پیش‌بینی بر اساس پیشرفت‌های نسبی را فراهم می‌کند، نه بر اساس اندازه خطای مطلق. ماموریت سوم، بررسی یک سری مسائل عملی از نظر تأیید پیش‌بینی است، مانند پردازش داده‌ها یا اجرای روش‌های پیش‌بینی مرجع، با هدف کمک به کاربران برای درک بهتر نقاط قوت و ضعف نسبی مدل‌های پیش‌بینی مختلف به‌صورت یکسان.

اگرچه نویسندگان حاضر طیف وسیعی از محققان فعال در جامعه پیش‌بینی خورشیدی را نمایندگی می‌کنند، اما همیشه مشکلاتی در به دست آوردن اجماع جهانی در مورد اقدامات و روش‌های مناسبی که به طور کلی یا حتی بیشتر از آن در موارد خاص مختلف استفاده می‌شوند، وجود خواهد داشت. با این وجود، نویسندگان امیدوارند که روش راستی‌آزمایی پیش‌بینی پیشنهاد شده در اینجا بتواند به تفسیرپذیری بیشتر نتایج، و حتی در مقایسه مستقیم تکنیک‌ها – «سیب به سیب»[1] منجر شود. هدف نهایی، ایجاد بهترین شیوه‌هایی است که می‌توانند با رشد مجموعه دانش و تجربه، ارتقا و اصلاح شوند.

سازماندهی این مطالعه به شرح زیر است. مشکل راستی‌آزمایی پیش‌بینی و مشکلات درک‌شده در بخش 1 توضیح داده شده‌اند. روش‌های راستی‌آزمایی پیش‌بینی توزیع‌محور در بخش 2 مورد بحث و بررسی قرار گرفته‌اند. معیار دقت توصیه‌شده در بخش 3، همراه با برخی بحث‌ها در مورد نگرانی‌های عملی توجیه شده است. بخش 4 با یک سری توصیه به پایان می رسد.

1. شرح مساله:

پیش‌بینی خورشیدی اصطلاحی است که برای هر نوع پیش‌بینی تخمین منبع انرژی خورشیدی پیش از موعد به کار می رود. با رشد سریع مجموعه جهانی از تاسیسات انرژی خورشیدی با استفاده از فناوری های مختلف، نیاز به پیش‌بینی خورشیدی برای تسهیل عملیات بهبود یافته و سازگاری با بازار برق بسیار مهم است. یک جامعه علمی به سرعت در حال گسترش در زیر دامنه پیش‌بینی انرژی، روش‌ها و رویکردهای متعددی را برای پیش‌بینی خورشیدی ارائه کرده است.

دقت هدف اصلی بیشتر پیش‌بینی کنندگان است. تنوع در تابش خورشیدی به طور ذاتی بر قابلیت پیش‌بینی حاکم است. بنابراین، مقایسه پیش‌فرض‌های تولید شده توسط مدل‌های مختلف، با استفاده از داده‌های مکان‌های مختلف یا دوره‌های زمانی مختلف، بسیار جالب است.

روش‌های فعلی راستی‌آزمایی پیش‌بینی خورشیدی عمدتاً به استفاده از معیارها به عنوان شاخص‌های خوب پیش‌بینی‌ها محدود می‌شوند. به عبارت دیگر، پیش‌بینی‌کنندگان خورشیدی عملکرد مدل‌های مختلف را بر اساس برخی معیارهای خطا مقایسه می‌کنند و سپس می‌توانند نتیجه‌گیری کنند. تحت این نوع روش راستی‌آزمایی، هر نتیجه‌گیری حداقل از دو جهت مبهم است: (1) مشخص نیست که هدف پیش‌بینی چیست، و (2) نحوه عملکرد مدل مورد علاقه در برابر سایر مدل‌هایی که در آن گنجانده نشده‌اند، مشخص نیست.

1-1) یک پیش‌بینی خوب چگونه است؟

کلمه “هدف” به اهدافی اشاره دارد که قبل از تأیید به پیش‌بینی کننده داده می‌شود. طبیعی است که هدف را «RMSE کوچک»، «امتیاز مهارت بالا» یا «ارزش اقتصادی بالا» در نظر بگیریم. با این وجود، این اهداف اغلب فاقد کلیت هستند و حتی ممکن است گاهی اوقات متناقض باشند. در این حالت، ممکن است یک مجموعه بزرگ و احتمالاً اضافی از معیارهای خطا جمع آوری شود. این با کار ژانگ و همکاران نشان داده شده است. (2015)، که در آن مجموعه ای از 17 معیار بر اساس یک فرآیند بحث طولانی که شامل سهامداران از جوامع هواشناسی و سیستم های قدرت بود، جمع آوری شد. در موارد دیگر، معیارهای جدیدی برای دستیابی به یک هدف خاص پیشنهاد می‌شود. این را کار والانس و همکاران نشان می دهد. (2017)، که در آن توانایی پیش‌بینی رمپ‌ها در گذرای تابش با دو معیار جدید اندازه‌گیری می‌شود.

جمع آوری یا معرفی اعضای جدید به مجموعه ای از معیارهای خطا در زمینه پیش‌بینی خورشیدی معنادار است.

با ارائه طیف گسترده‌ای از معیارهای خطا، پیش‌بینی‌کنندگان می‌توانند آزادانه از میان معیارهایی که می‌توانند «بهترین» نقاط قوت نتایج خود را برجسته کنند، انتخاب کنند. مطالعات زیادی وجود دارد که معیارهای خطا را به پیش‌بینی‌کنندگان پیشنهاد، مقایسه و توصیه می‌کنند (به عنوان مثال، Vallance و همکاران، 2017؛ Zhang و همکاران، 2015؛ هاف و همکاران، 2013؛ Beyer و همکاران، 2009). با این حال، علی‌رغم بحث‌های مستدل، این آثار به ندرت می‌توانند احساسات پیش‌بینی‌کننده دیگری را نسبت به برخی معیارهای خاص تغییر دهند، در صورتی که دارای مزایا یا معایب مهمی باشند. از این رو، برای هر استدلالی که به نفع یک معیار است، ممکن است یک استدلال متقابل علیه آن بیابد (به چای و دراکسلر، 2014؛ ویلموت و ماتسورا، 2005 مراجعه کنید). علاوه بر این، از آنجایی که نشریات بی‌شماری وجود دارند که بحث می‌کنند و به این نتیجه می‌رسند که یک معیار بهتر از دیگری است، استناد به مقالاتی که هر انتخابی را که نویسنده می‌خواهد پشتیبانی می‌کنند، دشوار نیست (چای و دراکسلر، 2014). نتیجه آشکار، زمینه ای با استفاده متنوع از معیارهای خطا است. با این وجود، این منحصر به حوزه نوظهور پیش‌بینی خورشیدی نیست.

از لحاظ تاریخی، فقدان رویه واحد تأیید پیش‌بینی توسط بسیاری از کارشناسان از سایر زمینه‌های نسبتاً کامل مورد بحث قرار گرفته است (مانند مورفی و وینکلر، 1987؛ آرمسترانگ، 2001؛ فیلدز و همکاران، 2008)، اما به نظر می‌رسد چیزی تغییر نکرده است (گنیتینگ، 2011).

جدول 1: داده های شبیه سازی شده شاخص آسمان صاف (κ، بدون بعد) و GHI آسمان صاف (c، بر حسب W/m2). شبیه سازی κ از معادلات (1) و (2) پیروی می کند.

 

شکل شماره 1: پنجره ای از 55 نقطه داده GHI ساعتی شبیه سازی شده و GHI آسمان صاف (با زاویه اوج  85◦). پیش‌بینی‌هایی که توسط سه پیش‌بینی‌کننده در یک پنجره ایجاد می‌شوند، همپوشانی دارند. مبتدی از مدل تداوم آسمان صاف 1 گام جلوتر استفاده می کند، فرد خوش بین همیشه 0.95 برابر GHI آسمان صاف را به عنوان پیش‌بینی استفاده می کند، و آماردان از میانگین شرطی واقعی به عنوان پیش‌بینی استفاده می کند.

 

در این مرحله، پرسیدن این سوال ضروری است: “پیش‌بینی خوب چیست؟” پیش از این مشخص است که معیارهای مختلف به نفع پیش‌بینی های متفاوت است. برای در نظر گرفتن این موضوع، یک مطالعه شبیه سازی ارائه شده است. فرض کنید تغییرات روزانه شاخص ساعتی آسمان صاف، به عنوان مثال، نسبت بین تابش افقی جهانی (GHI) و GHI آسمان صاف، در یک مکان دلخواه به شرح زیر است:

(معادله1)

κ_t = 1 − z ² _t

جایی که κ_t نمایانگر شاخص آسمان صاف در زمان t است،

 

z_t ∼ N(0, σ² _t )  & σ ² _t

(معادله2)

σ ² _t = 0.15z ² _t−1 + 0.3σ ² _t−1 + 0.07

با مقادیر اولیه₀ z = 0 و ²₀σ = 0.01، سری زمانی κ برای 55 ساعت روشنایی روز (در اینجا به عنوان نقاط داده با زاویه اوج <85◦ تعریف می‌شود) یا 5 روز شبیه سازی می‌شود. نقاط داده شبیه سازی شده در جدول 1 و شکل 1 به همراه مقادیر GHI (c) مربوط به آسمان روشن جدول بندی و ترسیم شده اند. مدل مک کلیر برای تخمین c استفاده می‌شود.

بر اساس سری‌های زمانی شبیه سازی شده، از سه پیش‌بینی کننده خواسته می‌شود تا پیش‌بینی تولید کنند. مبتدی هیچ پیشنهاد مهارتی ندارد، و بنابراین پیش‌بینی‌های پایداری 1 مرحله‌ای را روی κ صادر می‌کند، یعنی 1φ_t = κ_t-، جایی که نماد «φ» نشان‌دهنده شاخص پیش‌بینی آسمان صاف است. فرد خوش بین می داند که در آن مکان آفتابی است و همیشه از0.95 φ_t = استفاده می کند. آماردان در مورد مدل ذاتی دانش دارد و بنابراین میانگین شرطی واقعی را به عنوان پیش‌بینی صادر می‌کند، یعنی  ²σ_t-1 φ_t =. سپس این مقادیر φ به پیش‌بینی‌های GHI با مقادیر GHI واضح در مُهرهای زمانی پیش‌بینی تبدیل می‌شوند.

نتایج بر حسب سه معیار خطا، یعنی میانگین خطای سوگیری (MBE)، میانگین خطای مطلق (MAE) و RMSE7 در جدول 2 نشان داده شده است. نتایج قطعی نیستند، زیرا هر پیش‌بینی کننده از نظر معیار خطای خاص بهترین است.

 

جدول 2: MBE، MAE و RMSE، بر حسب W/m2، از سه پیش‌بینی کننده در مطالعه شبیه سازی. بهترین نتایج از نظر ستونی به صورت پررنگ هستند.

 

نتیجه مطالعه شبیه‌سازی فوق با این باور رایج که دانستن فرآیند ذاتی (فیزیکی یا آماری) عامل تعیین‌کننده پشت پیش‌بینی خوب است، در تضاد است. این تناقض به نحوه تعریف خوب پیش‌بینی ها نسبت داده می‌شود. برای اکثر پیش‌بینی‌کنندگان خورشیدی، «پیش‌بینی خوب» به طور ضمنی معادل «خطای کوچک» است. با این حال، مشکلات این تعریف زمانی آشکار می‌شود که رتبه بندی های متناقض مدل ها تحقق یابد. برای حل چنین تناقضاتی، راه حل هایی ممکن است از حوزه هواشناسی به دست آید، جایی که راستی آزمایی پیش‌بینی به خوبی مورد مطالعه قرار گرفته است.

مورفی (1993) سه نوع ویژگی را که به طور مشترک یک پیش‌بینی خوب را تعریف می‌کنند، بیان کرد:

1. سازگاری – مطابقت بین پیش‌بینی‌ها و قضاوت‌ها.
2. کیفیت – مطابقت بین پیش‌بینی‌ها و مشاهدات.
3. ارزش – مزایای افزایشی پیش‌بینی ها برای کاربران.

 

[1]. مقایسه سیب با سیب مقایسه بین چیزهای مرتبط یا مشابه است. (“سیب برای سیب” نیز استفاده می شود.) این اصطلاح اغلب با خط فاصله به کار می رود.