חיזוי תגובתי וניתן לפרש לטווח-זמן-קצר של ייצור פוטו־וולטאי עם מודלינג זמני רב-קנה-מידה ותשומת לב לפי משתנה

מדוע חיזוי חשמל סולארי בדקות חשוב

ככל שיותר חשמל מגיע מפאנלים סולאריים, מפעילי רשת החשמל נדרשים לאזן באופן רציף בין כמות האנרגיה המיוצרת לבין זו שהצרכנים צורכים. עננות פתאומית, שינויים עונתיים ומזג אוויר משתנה עלולים לגרום לתפוקת השמש להתנדנד בתוך דקות, ולסכן את האיזון הזה. מאמר זה מציג שיטה חדשה לחיזוי ההספק מתחנה סולארית גדולה ל־15 דקות קדימה, במטרה לשמור על דיוק החיזוי לאורך כל ארבעת העונות ובמקביל להקל על פירוש החלטות המודל על ידי בני אדם.

לזהות דפוסים של שמש ומזג אוויר על סקלות זמן שונות

תפוקת האנרגיה הסולארית מעוצבת על ידי קצבים שמתפתחים בדקות, בשעות ובחודשים: עליית ושפל היומי של השמש, פתאומי עננים קצרים ושינויים עונתיים הדרגתיים. כלי חיזוי מסורתיים ממוקדים לעתים בסקלה זמן אחת בלבד או מטשטשים בין הסקאלות, מה שעלול להוביל לשגיאות גדולות כשהתנאים משתנים במהירות. החלק הראשון של המערכת המוצעת, שנקרא Multi-Scale Kolmogorov–Arnold Network (MKAN), מתמודד עם זה על ידי חיתוך נתוני העבר לחתכים חופפים באורכים שונים. כל חתך עובר דרך מודול מתמטי קטן וגמיש שלומד כיצד ההספק מגיב לדפוס האחרון באותה סקאלה. לאחר מכן מבטים ספציפיים־סקאלה אלה תופרו חזרה לסיכום עשיר של אופן ההתנהגות של המערכה הסולארית בתקופה האחרונה.

להניח למשתני מזג האוויר "לדבר" זה עם זה

הספק סולארי אינו תלוי בקריאה בודדת כמו شدת הקרינה; הוא צומח מאינטראקציות מורכבות בין מספר גורמים, כולל אור ישיר ומפוזר, טמפרטורה, לחות, לחץ ותפוקת המפעל בעת האחרונה. החלק השני של המסגרת, שנקרא iTransformer, נועד ללכוד אינטראקציות אלה על ידי התייחסות לכל משתנה כ"טוקן" בשיחה. במקום לסרוק צעד-זמן אחרי צעד-זמן, iTransformer מסתכל בין המשתנים ומשתמש במנגנון תשומת לב כדי להחליט אילו מהם צריכים להשפיע זה על זה בעוצמה המרבית לחיזוי נתון. המיקוד לפי משתנה הזה מקל על חשיפת מצבים שבהם, למשל, לחות מעצבת בחוזקה את השפעת העוצמה הסולארית, או כשהמודל נשען מאוד על תפוקת ההספק האחרונה כשמזג האוויר לא יציב.

שילוב שתי הרעיונות למנוע חיזוי אחד

המחברים מחברים את MKAN ו־iTransformer ברצף כדי ליצור את דגם MKAN-iTransformer. תחילה, MKAN ממירה את היסטוריית מזג האוויר וההספק ברזולוציית 15 דקות לתכונות זמניות רב־סקאליות שמפרידות קפיצות מהירות ממגמות חלקות יותר. לאחר מכן iTransformer לוקח את התכונות הללו ומשתמש במנגנון התשומת לב שלו לארוג יחד מידע ממקורות משתנים שונים, ומפיק אומדן סופי של ההספק של המתקן ל־15 דקות קדימה. המערכת מאומנת ונבדקת על שניים שנות נתונים מתחנת כוח סולארית של 30 מגה־ואט בסין, תוך שימוש רק בקריאות יום בין 6:00 בבוקר ל־8:00 בערב. הנתונים מפוצלים כרונולוגית לכל עונה כדי לחקות פריסה אמיתית, והמודל מושווה למגוון רחב של אלטרנטיבות, מרשתות רקורנטיות קלאסיות ועד עיצובים מבוססי Transformer חדשים וגרסאותיהם המשופרות ב־KAN.

מה הפירוש של הביצועים בעונות האביב, הקיץ, הסתיו והחורף

בכל העונות וברוב מדדי השגיאה, MKAN-iTransformer מתאים או מתעלה על שיטות מתחרות. באביב ובסתיו — כאשר מזג האוויר משתנה במהירות והעקומות של ההספק מעוצבות על ידי עליות וירידות לא סדירות — הוא מספק את השגיאות המתקבלות הנמוכות ביותר והממוצעים הקטנים ביותר, תוך שהוא מסביר מעל 94% מהשונות בתפוקה. בחורף, אזור מאתגר במיוחד עם זוויות שמש נמוכות ותנודות מהירות, המודל מקטין כמה מדדי שגיאה ביותר מחצי לעומת Transformer סטנדרטי ומצטיין על פני רשתות רקורנטיות. בקיץ העבודה קלה יותר לרוב המודלים, אך MKAN-iTransformer עדיין מספק את שגיאות הריבוע הנמוכות ביותר, מה שאומר שהוא מדכא טוב יותר מקרים של שגיאות גדולות ונדירות. מחקרי איסוף קפדניים מראים ששימוש רק ב־MKAN או רק ב־iTransformer אינו מסביר במלואו את הרווחים; השילוב — תזמון רב־סקאלי יחד עם תשומת לב חוצת־משתנים — הוא שמניב את היציבות הטובה ביותר לאורך העונות.

פתיחת התיבה השחורה עבור מפעילי אנרגיה

מעבר לדיוק הגולמי, המחברים מדגישים את היכולת לפרשנות. מכיוון ש־MKAN בונה את תחזיותיו מסכומים של פונקציות פשוטות שנלמדו, ניתן להמחיש אותן כדי לחשוף כיצד המודל מגיב לקלטים ברמות שונות, כגון קרינה נמוכה או גבוהה. פירוק רב־סקאלי של אות ההספק מראה כיצד מגמות יומיות, שינויים מטווח בינוני וקפיצות מהירות הנגרמות על ידי עננות מופרדות ומעובדות. במקביל, מפות תשומת הלב של iTransformer מציגות כיצד החשיבות נעה בין משתנים לפי עונה: אור ישיר שולט באביב ובחורף, בעוד שלחות וכמה מדדי קרינה זוכים לבולטות בקיץ ובסתיו. כלים חזותיים אלה עוזרים למהנדסים להבין מדוע המודל מתנהג כפי שהוא בתנאי אטמוספירה שונים, ותומכים באמון ואבחון כשתחזיות טעות.

מה פירוש הדבר לעתיד חיזוי השמש

בהגדרה פשוטה, המחקר מראה שאפשר לבנות חיזוי סולארי שיהיה גם "רחב" וגם "עמוק": רחב מול אותות מזג אוויר שונים, ועמוק על פני מספר סקלות זמן, וכל זאת תוך שמירה על רמת קריאות לאנשים. עבור מפעילי רשתות, זה יכול להתרגם לחיזויים מהימנים יותר ל־15 דקות קדימה לאורך כל השנה, פחות תנודות מפתיעות באספקה ושימוש יעיל יותר באחסון ובתחנות גיבוי. למחקר, MKAN-iTransformer מספק מתווה לשילוב רכיבים ניתנים לפרשנות עם מנגנוני תשומת לב רבי עוצמה, ומצביע על כיוון לפיתוח כלי חיזוי שאינם רק מדויקים אלא גם מסבירים כיצד השמש, העננים והאטמוספירה יחד מעצבים את זרימת החשמל המתחדש.

ציטוט: 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

מילות מפתח: חיזוי צריכת חשמל סולארית, רשתות פוטו־וולטאיות, מודלינג של סדרות זמן, שונות עונתית, בינה מלאכותית ניתנת לפרשנות