多スケール時系列モデリングと変数別アテンションによる解釈可能な超短期太陽光発電予測

なぜ数分単位の太陽光発電予測が重要なのか

太陽光パネルからの電力比率が増すと、電力系統の運用者は常に発電量と需要のバランスを取る必要があります。突発的な雲、季節の変化、天候の急変によって発電出力は数分で上下し、そのバランスが崩れる恐れがあります。本論文は、大規模な太陽光発電所の出力を15分先に予測する新しい手法を提案し、四季を通じて予測精度を維持すると同時に、モデルの推論過程を人間が検査しやすくすることを目的としています。

多様な時間スケールで日射と気象のパターンをとらえる

太陽光発電出力は、分・時間・月といった異なる時間スケールで展開するリズムに左右されます：日の出・日の入りの周期、短時間の雲のかかり、緩やかな季節変化。従来の予測手法はこれらのうち一つのスケールに着目するか、あるいは混同して扱いがちで、状況が急変すると大きな誤差を生むことがあります。提案手法の最初の部分であるMulti-Scale Kolmogorov–Arnold Network（MKAN）は、過去データを重なり合う異なる長さの区間に分割することでこれに対処します。各区間は、そのスケールでの最近のパターンに対する出力の応答を学習する小さな柔軟な数学的モジュールを通過します。これらスケール別の視点を再びつなぎ合わせることで、発電所が直近どのように振る舞ってきたかの豊かな要約が得られます。

気象変数同士を「対話」させる

太陽光発電は単一の測定値（例えば日射強度）に依存するものではなく、直達光や天空光、気温、湿度、気圧、そして発電所自身の最近の出力など、複数の要因が複雑に相互作用して生まれます。フレームワークの第2部であるiTransformerは、各変数を会話の「トークン」として扱うことでこれらの相互作用を捉えるよう設計されています。時刻ごとに順に見るのではなく、iTransformerは変数間に目を向け、ある予測に対してどの変数が互いに最も強く影響を与すべきかをアテンション機構で決定します。この変数別の焦点により、たとえば湿度が日射の影響を強く形作る場面や、気象が不安定なためにモデルが最近の出力に大きく依存している場面などを明らかにしやすくなります。

二つのアイデアを一つの予測エンジンに統合する

著者らはMKANとiTransformerを直列に接続してMKAN-iTransformerモデルを構築します。まずMKANが、15分解像度の気象と出力の履歴を取り、短時間の揺らぎと滑らかなトレンドを分離する多スケール時系列特徴に変換します。次にiTransformerがこれらの特徴を取り込み、アテンション機構で異なる変数からの情報を織り合わせ、15分後の発電量の最終推定を生成します。システムは中国の30 MW太陽光発電所からの2年間のデータで学習・評価され、6:00〜20:00の昼間の観測のみを使用します。データは実運用を模すため各季節ごとに時系列で分割され、古典的な再帰型ネットワークから最新のTransformerベース設計、さらにKANを組み込んだバリアントまで幅広い比較対象と比較されています。

春・夏・秋・冬での実力

ほぼすべての季節と誤差指標において、MKAN-iTransformerは競合手法と同等かそれ以上の性能を示します。天候が急変し不規則なランプが多い春と秋では、二乗誤差が最小で平均誤差も最小となり、発電量の94%以上の変動を説明します。太陽高度が低く急激な振れが生じやすい冬の難しい環境では、標準的なTransformerと比べていくつかの誤差指標を半分以上削減し、再帰型ネットワークを明確に上回ります。夏は多くのモデルにとってやや扱いやすい季節ですが、MKAN-iTransformerは依然として二乗誤差が最小であり、大きな外れ値をより抑えていることを示します。入念なアブレーション研究により、MKANやiTransformer単体ではこれらの改善を完全には説明できないことが示されており、マルチスケールの時間処理と変数間アテンションの組み合わせこそが季節を通じた安定した性能をもたらしていると結論づけられます。

エネルギー運用者のためのブラックボックスの開放

単なる精度向上に加え、著者らは解釈可能性を重視しています。MKANは単純な学習済み関数の和から予測を構築するため、これらを可視化して低照度や高照度など入力に対するモデルの応答を明示できます。出力信号の多スケール分解は、日々のトレンド、中期の気象変動、短時間の雲によるジャンプがどのように分離・処理されるかを示します。一方、iTransformerのアテンションマップは季節ごとに変数の重要度がどのように移るかを表示します：春と冬では直接日射が支配的であり、夏と秋では湿度や特定の照度指標が重要度を増す、という具合です。これらの可視化ツールは、予測が外れた際の理由の理解や信頼性構築、診断に資する情報をエンジニアに提供します。

太陽光予測の将来にとっての意味

日常的な言葉で言えば、本研究は「幅広く」かつ「深く」見渡せる太陽光予測が作れることを示しています：幅は異なる気象信号をまたぎ、深さは複数の時間スケールにまたがり、それでいて人間が部分的に読み解けるという点です。系統運用者にとっては、年間を通じてより信頼できる15分先予測、供給の突然の振れの減少、貯蔵やバックアップ発電所のより効果的な運用につながる可能性があります。研究者にとっては、解釈可能な構成要素と強力なアテンション機構を組み合わせるための設計図を提供し、正確であるだけでなく太陽・雲・大気が再生可能電力の流れをどのように形作るかを説明できる予測ツールの方向性を示します。

引用: Liu, L., Liu, M., Han, Z. et al. Interpretable ultra-short-term photovoltaic power forecasting with multi-scale temporal modeling and variable-wise attention. Sci Rep 16, 10336 (2026). https://doi.org/10.1038/s41598-026-39797-6

キーワード: 太陽光発電の予測, 太陽光発電グリッド, 時系列モデリング, 季節変動性, 解釈可能なAI