Previsione interpretabile a brevissimo termine della potenza fotovoltaica con modellazione temporale multi-scala e attenzione per variabili

Perché ha importanza prevedere la potenza solare in pochi minuti

Man mano che una quota maggiore di elettricità proviene dai pannelli solari, gli operatori della rete devono bilanciare continuamente quanta energia viene prodotta con quanta ne viene consumata. Nuvole improvvise, variazioni stagionali e cambiamenti meteorologici possono far oscillare la produzione solare in pochi minuti, mettendo a rischio questo equilibrio. Questo articolo introduce un nuovo metodo per prevedere la potenza di un grande impianto solare con 15 minuti di anticipo, con l’obiettivo di mantenere accurate le previsioni durante tutte e quattro le stagioni e rendere al contempo più comprensibili i ragionamenti del modello per gli esseri umani.

Cogliere i pattern di sole e meteo su molte scale temporali

La produzione solare è determinata da ritmi che si sviluppano su minuti, ore e mesi: l’alternarsi giorno-notte, brevi passaggi nuvolosi e cambiamenti stagionali graduali. Gli strumenti di previsione tradizionali spesso si concentrano su una sola di queste scale o le mescolano, il che può provocare errori importanti quando le condizioni cambiano rapidamente. La prima parte del sistema proposto, chiamata Multi-Scale Kolmogorov–Arnold Network (MKAN), affronta questo problema suddividendo i dati storici in blocchi sovrapposti di diversa durata. Ogni blocco attraversa un modulo matematico piccolo e flessibile che apprende come la potenza risponde al modello recente a quella scala. Queste viste specifiche per scala vengono poi ricomposte in un riassunto ricco del comportamento recente dell’impianto fotovoltaico.

Lasciare che le variabili meteorologiche "si parlino" tra loro

La potenza solare non dipende da una singola lettura come l’intensità luminosa; emerge dalle interazioni complesse tra diversi fattori, inclusi irraggiamento diretto e diffuso, temperatura, umidità, pressione e la produzione recente dell’impianto. La seconda parte del framework, chiamata iTransformer, è pensata per catturare queste interazioni trattando ogni variabile come un proprio “token” in una conversazione. Invece di scorrere passo temporale per passo temporale, iTransformer guarda attraverso le variabili e usa un meccanismo di attenzione per decidere quali dovrebbero influenzarsi maggiormente a vicenda per una data previsione. Questo focus per variabile rende più semplice mettere in evidenza, per esempio, quando l’umidità modula fortemente l’effetto della radiazione solare o quando il modello si affida molto alla produzione recente perché il tempo è instabile.

Combinare le due idee in un unico motore di previsione

Gli autori collegano MKAN e iTransformer in sequenza per formare il modello MKAN-iTransformer. Prima, MKAN trasforma la storia grezza a risoluzione di 15 minuti di meteo e potenza in caratteristiche temporali multi-scala che separano i lampi veloci dalle tendenze più morbide. Poi iTransformer prende queste caratteristiche e, tramite il suo meccanismo di attenzione, intreccia le informazioni tra le diverse variabili per produrre una stima finale della potenza dell’impianto 15 minuti nel futuro. Il sistema è addestrato e testato su due anni di dati di un impianto da 30 MW in Cina, usando solo letture diurne tra le 6:00 e le 20:00. I dati sono suddivisi cronologicamente per ogni stagione per imitare il dispiegamento reale, e il modello viene confrontato con un’ampia gamma di alternative, dalle reti ricorrenti classiche a design basati su Transformer più recenti e varianti potenziate con KAN.

Quanto funziona bene in primavera, estate, autunno e inverno

In quasi tutte le stagioni e per le misure di errore considerate, MKAN-iTransformer eguaglia o supera i metodi concorrenti. In primavera e in autunno—quando il tempo cambia rapidamente e le curve di potenza sono modellate da rampe irregolari—ottiene gli errori quadratici più bassi e gli scostamenti medi più piccoli, spiegando oltre il 94% della variazione della potenza. In inverno, un regime particolarmente difficile con angoli solari bassi e rapide oscillazioni, il modello dimezza alcuni indicatori di errore rispetto a un Transformer standard e supera nettamente le reti ricorrenti. L’estate è relativamente più facile per la maggior parte dei modelli, ma MKAN-iTransformer offre comunque gli errori quadratici più bassi, il che significa una migliore repressione dei grandi errori occasionali. Studi di ablazione accurati mostrano che usare MKAN o iTransformer da soli non spiega pienamente questi miglioramenti; è la loro combinazione—temporizzazione multi-scala più attenzione incrociata tra variabili—a garantire le prestazioni più stabili tra le stagioni.

Aprire la scatola nera per gli operatori energetici

Oltre all’accuratezza grezza, gli autori sottolineano l’importanza dell’interpretabilità. Poiché MKAN costruisce le sue previsioni come somme di semplici funzioni apprese, queste possono essere visualizzate per mostrare come il modello risponde agli ingressi a diversi livelli, ad esempio a bassa o alta irradiance. Una decomposizione multi-scala del segnale di potenza mostra come tendenze giornaliere, cambiamenti meteorologici di medio periodo e salti rapidi indotti dalle nuvole vengano separati e trattati. Nel frattempo, le mappe di attenzione di iTransformer mostrano come l’importanza tra le variabili cambi a seconda della stagione: la luce diretta domina in primavera e inverno, mentre umidità e alcune misure di irraggiamento assumono maggior rilievo in estate e autunno. Questi strumenti visivi aiutano gli ingegneri a capire perché il modello si comporta in un certo modo sotto diversi regimi atmosferici, favorendo fiducia e diagnosi quando le previsioni sbagliano.

Cosa significa per il futuro delle previsioni solari

In termini pratici, lo studio mostra che è possibile costruire una previsione solare che sia allo stesso tempo “ampia” e “profonda”: ampia rispetto ai diversi segnali meteorologici e profonda attraverso molteplici scale temporali, mantenendo però una parziale leggibilità per gli umani. Per gli operatori di rete, questo potrebbe tradursi in previsioni a 15 minuti più affidabili durante tutto l’anno, meno oscillazioni impreviste nell’offerta e un uso migliore di stoccaggio e impianti di riserva. Per i ricercatori, MKAN-iTransformer offre un modello per combinare blocchi interpretabili con potenti meccanismi di attenzione, indicando la strada verso strumenti di previsione che non sono solo accurati ma anche in grado di spiegare come sole, nuvole e atmosfera concorrono a modellare il flusso di elettricità rinnovabile.

Citazione: 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

Parole chiave: previsione della potenza solare, reti fotovoltaiche, modellazione di serie temporali, variabilità stagionale, IA interpretabile