Hybrydowe ramy TimeGAN–xLSTM–Transformer do prognozowania mocy fotowoltaicznej w złożonych warunkach środowiskowych

Dlaczego lepsze prognozy mocy słonecznej mają znaczenie

W miarę jak coraz więcej domów, firm i całych miast korzysta z energii słonecznej, utrzymanie zasilania staje się wyzwaniem prognostycznym. Światło słoneczne może być darmowe, ale też kapryśne: chmury, mgła, wahania temperatury i zmieniające się pory roku powodują, że produkcja energii słonecznej skacze w górę i w dół. Operatorzy sieci muszą z wyprzedzeniem godzinowym wiedzieć, ile energii wyprodukują farmy słoneczne, aby bezpiecznie i tanio zrównoważyć podaż i popyt. W artykule przedstawiono nowe ramy sztucznej inteligencji (AI), które uczą się na danych historycznych, a nawet generują realistyczne nowe dane, aby znacząco poprawić niezawodność prognoz mocy słonecznej w złożonych, rzeczywistych warunkach pogodowych.

Wzrost fotowoltaiki spotyka się z chaosem pogodowym

Szybka ekspansja instalacji fotowoltaicznych (PV) w Chinach odzwierciedla trend światowy: energia słoneczna staje się filarem nowoczesnych systemów elektroenergetycznych. W przeciwieństwie do elektrowni węglowych czy gazowych, jednakże, produkcji z PV nie da się po prostu zwiększyć na żądanie; zależy ona od atmosfery. Mogą nadejść chmury, może utrzymywać się mgła lub powietrze może się ogrzać i rozrzedzić — to wszystko przesuwa moc paneli w górę lub w dół. Aby utrzymać stabilność sieci, operatorzy polegają na trzech głównych typach prognoz: prognoz pojedynczych wartości, zakresów prawdopodobnych wartości oraz pełnych scenariuszy probabilistycznych. Tradycyjne narzędzia często potrzebują ogromnych zbiorów danych historycznych i wciąż mają problemy z rzadkimi, ale krytycznymi zdarzeniami, takimi jak nagłe spadki czy skoki mocy słonecznej. Trudno im też uchwycić splątane zależności między nasłonecznieniem, temperaturą, wilgotnością i generacją mocy w czasie.

Nauka AI tworzenia realistycznych dni słonecznych

Pierwszą kluczową ideą w tej pracy jest „powiększenie” zbioru danych zamiast akceptowania jego ograniczeń. Autorzy wykorzystują model o nazwie TimeGAN, zaprojektowany specjalnie do danych szeregów czasowych, aby generować syntetyczne rekordy produkcji energii słonecznej wyglądające i zachowujące się jak rzeczywiste. TimeGAN uczy się, jak produkcja PV zmienia się krok po kroku równolegle z czynnikami pogodowymi, takimi jak nasłonecznienie i temperatura. Po treningu potrafi tworzyć nowe sekwencje odzwierciedlające te same wzorce, w tym ekstremalne wzrosty i spadki, które mogą być rzadkie w pierwotnych danych. Testy z użyciem narzędzi wizualizacyjnych pokazują, że dane syntetyczne pokrywają się ściśle z pomiarami rzeczywistymi, zarówno w szczegółach lokalnych, jak i w ogólnym rozkładzie. Gdy prosty model prognostyczny jest trenowany na tym rozszerzonym zbiorze, jego błędy znacząco spadają, co potwierdza, że te „wyobrażone” dni słoneczne pomagają AI lepiej uogólnić się na nieznane warunki.

Mieszanie krótkoterminowych skoków i długoterminowych trendów

Drugim filarem ram jest sprytne połączenie dwóch potężnych modeli uczących się sekwencji. Rozszerzona forma Long Short-Term Memory, nazwana xLSTM, obsługuje drobne struktury produkcji słonecznej. W odróżnieniu od standardowych wersji, xLSTM używa bogatszych struktur pamięci i wielu skal czasowych, co pozwala śledzić szybkie zmiany — jak przechodząca chmura — oraz wolniejsze przesunięcia trwające godziny czy dni. Na to autorzy nakładają moduł Transformera, architekturę znaną z sukcesów w modelach językowych. Transformer zwraca uwagę na zależności między odległymi krokami czasowymi, skutecznie decydując, które przeszłe momenty mają największe znaczenie przy prognozowaniu przyszłości. Razem te składniki tworzą pipeline: TimeGAN wzbogaca dane treningowe, xLSTM wydobywa wielowarstwowe cechy temporalne, a Transformer ważony globalnie je analizuje, aby generować dokładne prognozy.

Testowanie modelu na rzeczywistych farmach słonecznych

Naukowcy walidują swoje podejście, wykorzystując sześć miesięcy danych z rzeczywistego rozproszonego klastra PV w chińskiej State Grid, próbkowanych co 15 minut i obejmujących moc wyjściową, temperaturę, wilgotność oraz poziomy nasłonecznienia. Porównują swoje hybrydowe ramy TimeGAN–xLSTM–Transformer z bardziej konwencjonalnymi modelami LSTM i Transformer. Wyniki są uderzające: nowy model redukuje błąd średniokwadratowy (RMSE) o około 48 procent i średni błąd bezwzględny (MAE) o około 44 procent w porównaniu do najlepszych tradycyjnych metod. Jego błąd procentowy spada do około 2,7 procent, a korzyść płynąca z augmentacji danych opartej na TimeGAN jest wyraźna — modele trenowane bez danych syntetycznych radzą sobie znacznie gorzej, zwłaszcza przy ostrych fluktuacjach mocy słonecznej.

Co to oznacza dla codziennego wykorzystania energii

Mówiąc w prostych słowach, badanie pokazuje, że łączenie realistycznych „wyobrażonych” danych z warstwową konstrukcją AI może uczynić prognozy mocy słonecznej znacznie bardziej wiarygodnymi, nawet gdy pogoda płata figle. Dla codziennego życia lepsze prognozy oznaczają mniej awarii, mniej marnowanej rezerwowej mocy z paliw kopalnych i płynniejszą integrację energii odnawialnej z siecią. W miarę jak instalacje słoneczne rozprzestrzeniają się w miastach i na obszarach wiejskich, narzędzia takie jak hybrydowe ramy TimeGAN–xLSTM–Transformer mogą pomóc systemom energetycznym planować z większą pewnością, przybliżając nas do czystszej, niskoemisyjnej przyszłości energetycznej.

Cytowanie: Chu, B., Shu, J., Zhao, C. et al. A hybrid TimeGAN–xLSTM–Transformer framework for photovoltaic power forecasting under complex environmental conditions. Sci Rep 16, 8782 (2026). https://doi.org/10.1038/s41598-026-36073-5

Słowa kluczowe: prognozowanie mocy słonecznej, energia fotowoltaiczna, uczenie głębokie, dane szeregów czasowych, integracja energii odnawialnej