Interpreteerbare ultrakorte fotovoltaïsche vermogensvoorspelling met multiscale temporele modellering en variabele-gewijze aandacht

Waarom voorspellen van zonne-energie op minutenbasis ertoe doet

Naarmate meer elektriciteit door zonnepanelen wordt opgewekt, moeten netbeheerders voortdurend afwegen hoeveel energie er wordt geproduceerd ten opzichte van hoeveel er wordt verbruikt. Plotse wolken, seizoenswisselingen en veranderlijk weer kunnen de zonnestroom binnen enkele minuten sterk laten stijgen of dalen, wat die balans in gevaar brengt. Dit artikel introduceert een nieuwe methode om het vermogen van een groot zonnepark slechts 15 minuten vooruit te voorspellen, met als doel nauwkeurige voorspellingen voor alle vier de seizoenen te behouden en tegelijk het model begrijpelijker te maken voor mensen.

Patronen in zon en weer zien op meerdere tijdschalen

De opbrengst van zonne-energie wordt bepaald door ritmes die zich over minuten, uren en maanden ontvouwen: de dagelijkse opkomst en ondergang van de zon, korte wolkenflarden, en geleidelijke seizoensveranderingen. Traditionele voorspellingsmethoden richten zich vaak op slechts één van deze tijdschalen of mengen ze door elkaar, wat kan leiden tot grote fouten wanneer de omstandigheden snel veranderen. Het eerste deel van het voorgestelde systeem, de Multi-Scale Kolmogorov–Arnold Network (MKAN), pakt dit aan door historische gegevens in overlappende blokken van verschillende lengtes te snijden. Elk blok wordt door een klein, flexibel wiskundig module geleid dat leert hoe het vermogen reageert op het recente patroon op die schaal. Deze schalenspecifieke gezichtspunten worden vervolgens weer samengevoegd tot een rijke samenvatting van het gedrag van het zonnepark in het recente verleden.

Weer-variabelen elkaar laten "spreken"

Zonne-energie hangt niet af van één enkele meting zoals lichtintensiteit; het ontstaat door complexe interacties tussen meerdere factoren, waaronder direct en diffuus licht, temperatuur, luchtvochtigheid, druk en de recente productie van de installatie zelf. Het tweede deel van het raamwerk, iTransformer, is ontworpen om deze interacties vast te leggen door elke variabele als een aparte "token" in een gesprek te behandelen. In plaats van stap voor stap door de tijd te gaan, kijkt iTransformer over variabelen heen en gebruikt een aandachtmechanisme om te beslissen welke variabelen elkaar het sterkst moeten beïnvloeden voor een bepaalde voorspelling. Deze variabele-gewijze focus maakt het eenvoudiger om bijvoorbeeld te onthullen wanneer vochtigheid sterk de effectiviteit van zonlicht bepaalt, of wanneer het model sterk leunt op recente vermogensgegevens omdat het weer onstabiel is.

De twee ideeën combineren in één voorspellingsmotor

De auteurs koppelen MKAN en iTransformer achter elkaar om het MKAN-iTransformer-model te vormen. Eerst zet MKAN de ruwe 15-minutenresolutie van weer- en vermogensgeschiedenis om in multiscale temporele kenmerken die snelle fluctuaties scheiden van gladdere trends. Daarna neemt iTransformer deze kenmerken en gebruikt zijn aandachtmechanisme om informatie van verschillende variabelen samen te weven, en produceert zo een eindschatting van het vermogen van de installatie 15 minuten in de toekomst. Het systeem is getraind en getest op twee jaar aan data van een 30 MW zonnepark in China, waarbij alleen dagmetingen tussen 06:00 en 20:00 uur zijn gebruikt. De data zijn chronologisch per seizoen gesplitst om echte inzet na te bootsen, en het model is vergeleken met een breed scala aan alternatieven, van klassieke recurrente netwerken tot nieuwere Transformer-gebaseerde ontwerpen en hun eigen KAN-verrijkte varianten.

Hoe goed het werkt in lente, zomer, herfst en winter

Over vrijwel alle seizoenen en foutmaten heen evenaart of overtreft MKAN-iTransformer concurrerende methoden. In lente en herfst—wanneer het weer snel verandert en vermogenscurven worden gevormd door onregelmatige ramps—levert het de laagste kwadratische fouten en de kleinste gemiddelde afwijkingen, terwijl het meer dan 94% van de variatie in vermogen verklaart. In de winter, een bijzonder lastige periode met lage zonhoeken en snelle schommelingen, halveert het model sommige foutmaten ten opzichte van een standaard Transformer en presteert het duidelijk beter dan recurrente netwerken. De zomer is voor de meeste modellen iets eenvoudiger, maar MKAN-iTransformer levert nog steeds de laagste kwadratische fouten, wat betekent dat het grote incidentele missers beter onderdrukt. Zorgvuldige ablatie-studies tonen aan dat het gebruik van alleen MKAN of alleen iTransformer deze verbeteringen niet volledig verklaart; het is de combinatie—multiscale timing plus kruis-variabele aandacht—die de meest stabiele prestaties over seizoenen geeft.

De zwarte doos openen voor energiebeheerders

Buiten ruwe nauwkeurigheid benadrukken de auteurs interpreteerbaarheid. Omdat MKAN zijn voorspellingen opbouwt uit sommen van eenvoudig aangeleerde functies, kunnen deze worden gevisualiseerd om te laten zien hoe het model reageert op ingangen op verschillende niveaus, zoals lage of hoge instraling. Een multiscale decompositie van het vermogenssignaal toont hoe dagelijkse trends, middellangetermijn weersverschillen en snelle door wolken veroorzaakte sprongen worden gescheiden en verwerkt. Tegelijk tonen attentie-kaarten van iTransformer hoe de belangrijkheid tussen variabelen per seizoen verschuift: direct zonlicht domineert in lente en winter, terwijl vochtigheid en bepaalde instralingsmetingen in zomer en herfst aan belang winnen. Deze visuele hulpmiddelen helpen ingenieurs te begrijpen waarom het model zich onder verschillende atmosferische regimes gedraagt zoals het doet, en ondersteunen vertrouwen en diagnose wanneer voorspellingen mislukken.

Wat dit betekent voor de toekomst van zonne-voorspelling

In begrijpelijke termen toont de studie dat het mogelijk is een zonnevoorspelling te bouwen die zowel "breed" als "diep" is: breed over verschillende weersignalen en diep over meerdere tijdschalen, en toch deels leesbaar voor mensen. Voor netbeheerders kan dit zich vertalen in betrouwbaardere 15-minuten-voorspellingen het hele jaar door, minder onverwachte schommelingen in aanbod en beter gebruik van opslag en back-upcentrales. Voor onderzoekers biedt MKAN-iTransformer een blauwdruk om interpreteerbare bouwstenen te combineren met krachtige aandachtmechanismen, en wijst het de weg naar voorspellingsinstrumenten die niet alleen nauwkeurig zijn maar ook uitleggen hoe zon, wolken en atmosfeer samen de stroom van hernieuwbare elektriciteit vormen.

Bronvermelding: 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

Trefwoorden: zonne-energie voorspelling, fotovoltaïsche netten, tijdreeksmodellering, seizoensvariabiliteit, interpreteerbare AI