Interpreowalne ultra-krótkoterminowe prognozowanie mocy fotowoltaicznej z wieloskalowym modelowaniem czasowym i uwagą zmiennową

Dlaczego prognozowanie mocy słonecznej w minutach ma znaczenie

W miarę wzrostu udziału energii z paneli słonecznych operatorzy sieci muszą nieustannie równoważyć produkcję energii z jej zużyciem. Nagłe zachmurzenia, zmiany sezonowe i zmienna pogoda mogą powodować skoki mocy w ciągu minut, zagrażając tej równowadze. Artykuł przedstawia nową metodę przewidywania mocy dużej farmy słonecznej z 15‑minutowym wyprzedzeniem, której celem jest utrzymanie dokładności prognoz we wszystkich czterech porach roku przy jednoczesnym ułatwieniu zrozumienia sposobu działania modelu przez ludzi.

Wykrywanie wzorców słońca i pogody na wielu skalach czasowych

Wydajność energetyczna instalacji fotowoltaicznej kształtowana jest przez rytmy rozwijające się w minutach, godzinach i miesiącach: codzienny wschód i zachód słońca, krótkotrwałe zalotne zachmurzenia i stopniowe zmiany sezonowe. Tradycyjne narzędzia prognostyczne często koncentrują się tylko na jednej skali czasowej lub zlewają je w jedną, co może prowadzić do dużych błędów przy gwałtownych zmianach warunków. Pierwszy element proponowanego systemu, nazwany Multi-Scale Kolmogorov–Arnold Network (MKAN), rozwiązuje ten problem przez pocięcie danych historycznych na nachodzące na siebie fragmenty o różnej długości. Każdy fragment przechodzi przez niewielki, elastyczny moduł matematyczny, który uczy się, jak moc reaguje na niedawny wzorzec w tej skali. Widoki specyficzne dla danej skali są następnie zszywane w bogate streszczenie zachowania farmy słonecznej w niedawnej przeszłości.

Pozwalając zmiennym pogodowym „rozmawiać” ze sobą

Moc słoneczna nie zależy od jednego pomiaru, takiego jak natężenie promieniowania; wynika z złożonych interakcji kilku czynników, w tym światła bezpośredniego i rozproszonego, temperatury, wilgotności, ciśnienia oraz własnej niedawnej produkcji elektrowni. Druga część ram, nazwana iTransformer, zaprojektowana jest do uchwycenia tych interakcji poprzez traktowanie każdej zmiennej jako osobnego „tokenu” w rozmowie. Zamiast skanować krok czasowy po kroku, iTransformer patrzy w poprzek zmiennych i wykorzystuje mechanizm uwagi, by zdecydować, które z nich powinny nawzajem na siebie najsilniej wpływać przy danej prognozie. Ta zmiennowa koncentracja ułatwia ujawnianie, na przykład, kiedy wilgotność silnie kształtuje wpływ promieniowania, lub kiedy model mocno opiera się na ostatniej produkcji, ponieważ pogoda jest niestabilna.

Połączenie obu pomysłów w jednym silniku prognostycznym

Autorzy łączą MKAN i iTransformer w sekwencji, tworząc model MKAN-iTransformer. Najpierw MKAN przekształca surową historię pogody i mocy o rozdzielczości 15 minut w wieloskalowe cechy czasowe, które oddzielają szybkie błyski od łagodniejszych trendów. Następnie iTransformer przyjmuje te cechy i wykorzystuje mechanizm uwagi do splecenia informacji z różnych zmiennych, produkując ostateczną estymację mocy elektrowni na 15 minut w przyszłość. System jest trenowany i testowany na dwuletnich danych z farmy słonecznej o mocy 30 MW w Chinach, używając jedynie odczytów w godzinach dziennych między 6:00 a 20:00. Dane są dzielone chronologicznie dla każdego sezonu, aby naśladować rzeczywiste wdrożenie, a model porównuje się z szerokim spektrum alternatyw — od klasycznych sieci rekurencyjnych po nowsze projekty oparte na Transformerach i ich warianty wzbogacone KAN.

Jak sprawdza się wiosną, latem, jesienią i zimą

We wszystkich sezonach i miarach błędu MKAN-iTransformer albo dorównuje, albo przewyższa metody konkurencyjne. Wiosną i jesienią — gdy pogoda zmienia się szybko, a krzywe mocy kształtują nieregularne nachylenia — dostarcza najniższych błędów kwadratowych i najmniejszych średnich odchyleń, wyjaśniając ponad 94% zmienności mocy. Zimą, będącą szczególnie trudnym okresem przy niskich kątach padania słońca i gwałtownych wahaniach, model redukuje niektóre miary błędu o ponad połowę w porównaniu ze standardowym Transformerem i wyraźnie przewyższa sieci rekurencyjne. Lato jest dla większości modeli nieco łatwiejsze, ale MKAN-iTransformer wciąż osiąga najniższe błędy kwadratowe, co oznacza lepsze tłumienie dużych, sporadycznych pomyłek. Dokładne badania ablacjne pokazują, że użycie samego MKAN lub samego iTransformer nie tłumaczy w pełni tych zysków; to ich połączenie — wieloskalowe odmierzanie czasu plus uwaga międzyzmienna — daje najbardziej stabilne wyniki w różnych porach roku.

Otwarcie czarnej skrzynki dla operatorów energetycznych

Ponad surową dokładnością autorzy kładą nacisk na interpretowalność. Ponieważ MKAN buduje swoje prognozy z sum prostych nauczonych funkcji, można je wizualizować, aby ujawnić, jak model reaguje na wejścia na różnych poziomach, na przykład przy niskim lub wysokim promieniowaniu. Wieloskalowa dekompozycja sygnału mocy pokazuje, jak oddzielane i przetwarzane są trendy dobowy, średnioterminowe przesunięcia pogodowe i szybkie skoki wywołane chmurami. Tymczasem mapy uwagi z iTransformer ukazują, jak ważność zmiennych przesuwa się w zależności od sezonu: światło bezpośrednie dominuje wiosną i zimą, podczas gdy wilgotność i niektóre miary irradiancji zyskują na znaczeniu latem i jesienią. Te wizualne narzędzia pomagają inżynierom zrozumieć, dlaczego model zachowuje się tak a nie inaczej w różnych reżimach atmosferycznych, wspierając zaufanie i diagnostykę, gdy prognozy zawodzą.

Co to oznacza dla przyszłości prognozowania słonecznego

Mówiąc prosto, badanie pokazuje, że możliwe jest zbudowanie prognozy słonecznej, która jest zarazem „szeroka” i „głęboka”: szeroka względem różnych sygnałów pogodowych i głęboka względem wielu skal czasowych, przy jednoczesnym zachowaniu częściowej czytelności dla ludzi. Dla operatorów sieci może to przełożyć się na bardziej niezawodne prognozy z 15‑minutowym wyprzedzeniem przez cały rok, mniej niespodziewanych wahań podaży oraz lepsze wykorzystanie magazynów i elektrowni rezerwowych. Dla badaczy MKAN-iTransformer stanowi plan łączenia interpretowalnych bloków konstrukcyjnych z potężnymi mechanizmami uwagi, wskazując drogę ku narzędziom prognostycznym, które nie tylko są dokładne, lecz także wyjaśniają, jak słońce, chmury i atmosfera wspólnie kształtują przepływ energii odnawialnej.

Cytowanie: 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

Słowa kluczowe: prognozowanie mocy słonecznej, sieci fotowoltaiczne, modelowanie szeregów czasowych, zmienność sezonowa, interpretowalna sztuczna inteligencja