Predicción interpretable de la potencia fotovoltaica a ultra-corto plazo con modelado temporal multi‑escala y atención por variable

Por qué importa predecir la energía solar a minutos

A medida que más electricidad procede de paneles solares, los operadores de la red deben equilibrar constantemente cuánta energía se produce con cuánta se consume. Nubes repentinas, cambios estacionales y variaciones meteorológicas pueden hacer que la producción solar suba o baje en cuestión de minutos, poniendo en riesgo ese equilibrio. Este artículo presenta una nueva forma de predecir la potencia de una gran planta solar con 15 minutos de antelación, con el objetivo de mantener las predicciones precisas en las cuatro estaciones y, además, facilitar la inspección humana del razonamiento del modelo.

Ver patrones del sol y el tiempo en muchas escalas temporales

La producción solar está determinada por ritmos que se despliegan en minutos, horas y meses: la subida y bajada diaria del sol, ráfagas cortas de nubes y cambios estacionales graduales. Las herramientas de predicción tradicionales a menudo se centran en una sola de estas escalas o las mezclan entre sí, lo que puede provocar errores importantes cuando las condiciones cambian rápidamente. La primera parte del sistema propuesto, llamada Red Kolmogórov–Arnold Multi‑Escala (MKAN), aborda esto dividiendo los datos pasados en fragmentos superpuestos de diferentes longitudes. Cada fragmento pasa por un módulo matemático pequeño y flexible que aprende cómo responde la potencia al patrón reciente en esa escala. Luego, estas vistas específicas por escala se vuelven a ensamblar en un resumen rico de cómo se ha comportado la planta solar en el pasado reciente.

Poner a las variables meteorológicas a "hablar" entre sí

La potencia solar no depende de una única lectura como la intensidad de la radiación; surge de interacciones complejas entre varios factores, incluidos la radiación directa y difusa, la temperatura, la humedad, la presión y la propia producción reciente de la planta. La segunda parte del marco, llamada iTransformer, está diseñada para capturar estas interacciones tratando cada variable como un «token» en una conversación. En lugar de explorar paso a paso en el tiempo, iTransformer mira a través de las variables y utiliza un mecanismo de atención para decidir cuáles deben influirse con más fuerza entre sí para una predicción dada. Este enfoque por variable facilita revelar, por ejemplo, cuándo la humedad está moldeando con fuerza el efecto de la radiación o cuándo el modelo se apoya mucho en la producción reciente porque el tiempo es inestable.

Combinar las dos ideas en un único motor de predicción

Los autores conectan MKAN e iTransformer en serie para formar el modelo MKAN‑iTransformer. Primero, MKAN transforma la historia de 15 minutos de resolución de meteorología y potencia en características temporales multi‑escala que separan las fluctuaciones rápidas de las tendencias más suaves. Luego iTransformer toma estas características y, mediante su mecanismo de atención, entrelaza la información de las distintas variables para producir una estimación final de la potencia de la planta dentro de 15 minutos. El sistema se entrena y prueba con dos años de datos de una planta solar de 30 MW en China, usando únicamente lecturas diurnas entre las 6:00 y las 20:00. Los datos se dividen cronológicamente por estación para imitar un despliegue real y el modelo se compara con una amplia gama de alternativas, desde redes recurrentes clásicas hasta diseños más recientes basados en Transformers y variantes propias mejoradas con KAN.

Qué tan bien funciona en primavera, verano, otoño e invierno

En casi todas las estaciones y métricas de error, MKAN‑iTransformer iguala o supera a los métodos competidores. En primavera y otoño —cuando el tiempo cambia rápidamente y las curvas de potencia se ven afectadas por rampas irregulares— ofrece los errores cuadráticos más bajos y los errores medios menores, explicando a la vez más del 94% de la variación de la potencia. En invierno, un régimen particularmente difícil por los bajos ángulos solares y las oscilaciones rápidas, el modelo reduce algunas medidas de error en más de la mitad frente a un Transformer estándar y claramente supera a las redes recurrentes. El verano es algo más favorable para la mayoría de los modelos, pero MKAN‑iTransformer sigue proporcionando los errores cuadráticos más bajos, lo que significa que atenúa mejor los fallos grandes y ocasionales. Estudios de ablación cuidadosos muestran que usar MKAN o iTransformer por separado no explica totalmente estas mejoras; es su combinación —temporización multi‑escala más atención cruzada entre variables— la que aporta el rendimiento más estable a lo largo de las estaciones.

Abrir la caja negra para los operadores energéticos

Más allá de la precisión cruda, los autores enfatizan la interpretabilidad. Dado que MKAN construye sus predicciones a partir de sumas de funciones simples aprendidas, estas se pueden visualizar para revelar cómo responde el modelo ante entradas en distintos niveles, como irradiancia baja o alta. Una descomposición multi‑escala de la señal de potencia muestra cómo se separan y procesan las tendencias diarias, los desplazamientos meteorológicos a medio plazo y los saltos rápidos inducidos por nubes. Al mismo tiempo, los mapas de atención de iTransformer muestran cómo cambia la importancia entre variables según la estación: la radiación directa domina en primavera e invierno, mientras que la humedad y ciertas medidas de irradiancia ganan protagonismo en verano y otoño. Estas herramientas visuales ayudan a los ingenieros a entender por qué el modelo se comporta de determinada manera bajo distintos regímenes atmosféricos, favoreciendo la confianza y el diagnóstico cuando las predicciones fallan.

Qué significa esto para el futuro de la predicción solar

En términos prácticos, el estudio muestra que es posible construir una predicción solar que sea a la vez «amplia» y «profunda»: amplia respecto a las distintas señales meteorológicas y profunda a través de múltiples escalas temporales, todo ello conservando en parte la legibilidad para los humanos. Para los operadores de red, esto podría traducirse en predicciones de 15 minutos más fiables durante todo el año, menos oscilaciones inesperadas en el suministro y un mejor uso del almacenamiento y las plantas de respaldo. Para los investigadores, MKAN‑iTransformer ofrece un plan para combinar bloques interpretables con potentes mecanismos de atención, señalando el camino hacia herramientas de predicción que no solo sean precisas, sino que también expliquen cómo el sol, las nubes y la atmósfera configuran conjuntamente el flujo de electricidad renovable.

Cita: 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

Palabras clave: predicción de la energía solar, redes fotovoltaicas, modelado de series temporales, variabilidad estacional, IA interpretable