Nienadparametryczna adaptacyjna inferencja konformalna do probabilistycznego prognozowania mocy PV na godzinę naprzód

Dlaczego lepsze prognozy słoneczne są ważne

W miarę jak coraz więcej domów, firm i zakładów energetycznych sięga po panele słoneczne jako źródło czystej energii, sieci elektroenergetyczne muszą operować zasobem, który zmienia się z każdym przemieszczającym się obłokiem. Operatorzy sieci potrzebują wiedzieć nie tylko, ile energii słonecznej będzie prawdopodobnie dostępne za godzinę, lecz także jak bardzo ta prognoza jest niepewna. W artykule przedstawiono nowy sposób dodawania „słupków błędu” do krótkoterminowych prognoz mocy słonecznej, aby planiści mogli utrzymać zasilanie, jednocześnie pewniej polegając na energii słonecznej.

Od pojedynczych szacunków do prognoz uwzględniających ryzyko

Tradycyjne prognozy słoneczne często sprowadzają przyszłość do jednej liczby, na przykład „2,5 kilowata za godzinę”. W rzeczywistości moc słoneczna zmienia się wraz z pogodą i porą dnia, a decyzje sieciowe — takie jak ilość rezerw mocy do zaplanowania — zależą od tego, jak pewni jesteśmy tych wartości. Nowoczesne podejścia korzystają więc z prognoz probabilistycznych: zamiast jednej wartości podają zakres prawdopodobnych wyników wraz z informacją, jak często rzeczywista wartość powinna się znaleźć w tym zakresie. Badanie koncentruje się na prognozach godzinowych dla paneli dachowych na uniwersytecie we Wrocławiu, Polska, wykorzystując pięć lat danych historycznych. Celem jest wygenerowanie przedziałów predykcyjnych, które są jednocześnie wiarygodne (zawierają prawdziwą moc większość czasu) i ostre (przedziały jak najwęższe, unikając bezużytecznie szerokich zakresów).

Inteligentniejsze dostosowanie niepewności

Główną techniką opisaną w pracy jest adaptacyjna inferencja konformalna, w skrócie ACI. W prostych słowach ACI otacza dowolny model prognostyczny — tutaj sieć głębokiego uczenia o nazwie stacked LSTM — i analizuje ostatnie błędy prognoz, aby zdecydować, jak szeroki powinien być następny przedział predykcyjny. Jeśli ostatnie prognozy zawiodły, ACI automatycznie poszerza przedział; jeśli były trafne, go zawęża. Standardowe ACI zakłada jednak, że dane zmieniają się płynnie w czasie. Moc słoneczna tego nie robi: każdej nocy produkcja spada do zera, a pierwsze poranne promienie niewiele przypominają to, co miało miejsce poprzedniego wieczoru. Ten dobowy wzorzec start‑stop może powodować dryf parametru dostosowującego ACI, co z czasem zwiększa szerokość przedziałów.

Reset każdego dnia dla świeżego startu

Aby naprawić tę niezgodność, autorzy wprowadzają prostą, lecz skuteczną modyfikację: resetują wewnętrzny parametr „niepokrycia” ACI na początku każdego dnia. Koncepcyjnie mówi to algorytmowi, żeby zapomniał długie, mało informacyjne godziny nocy i przeliczał się jedynie na podstawie zachowania w ciągu dnia. Bazowy LSTM nadal uczy się wzorców z lat danych, w tym zmian sezonowych i typowych kształtów dobowych, ale warstwa ACI nie pozwala już, by nocne zera zniekształcały jego ocenę niepewności. Codzienny reset zapobiega nadmiernemu powiększaniu przedziałów po sekwencjach okresów o niskiej informacji i pozwala metodzie szybko dostosować się do warunków świetlnych danego dnia — czy to bezchmurnych, pochmurnych, czy silnie zmiennych.

Jak nowa metoda wypada w porównaniu

Badanie porównuje cztery sposoby wyrażania niepewności wokół prognoz słonecznych: zmodyfikowane ACI, model głęboki trenowany do bezpośredniego przewidywania wielu kwantyli (Deep Quantile Regression), bayesowską wersję LSTM szacującą niepewność wewnętrznie oraz wydajny algorytm oparty na drzewach zwany CatBoost dostrojony do predykcji kwantyli. Testy przeprowadzono na jednym roku niewidzianych wcześniej danych. Zmodyfikowane ACI osiąga najwyższą wiarygodność — jego przedziały zawierają prawdziwą moc około 91% czasu, blisko zamierzonego celu, przy umiarkowanej szerokości przedziału. Bayesowski LSTM plasuje się następny pod względem wiarygodności, ale generuje nieco szersze zakresy. CatBoost dostarcza najwęższe przedziały, lecz częściej nie trafia w rzeczywiste wartości, niedoszacowując niepewności. Deep Quantile Regression wypada najgorzej łącznie — łączy niższe pokrycie z szerszymi przedziałami i wyższymi karami. Co ważne, poprawione ACI osiąga silne wyniki przy jedynie niewielkim koszcie obliczeniowym ponad bazowy model LSTM.

Co to oznacza dla przyszłych sieci słonecznych

W praktyce praca pokazuje, że lepsze uwzględnienie rytmu dnia i nocy może zauważalnie poprawić jakość szacunków ryzyka dla mocy słonecznej. Dzięki resetowi kalibracji każdego ranka zmodyfikowane ACI dostarcza przedziały ufności, które są zarówno wiarygodne, jak i stosunkowo wąskie, ułatwiając operatorom sieci i menedżerom energetycznym planowanie rezerw, handel mocą i integrację większej ilości energii słonecznej bez nadmiernych reakcji na niepewność. Ponieważ ACI jest niezależne od konkretnego modelu i nie polega na szczegółowych prognozach pogody, autorzy twierdzą, że ten schemat codziennego resetu można szeroko zastosować do innych instalacji słonecznych i narzędzi prognostycznych, oferując solidny, oparty na danych sposób uczynienia słońca bardziej przewidywalnym partnerem w systemach energetycznych przyszłości.

Cytowanie: Suresh, V., Revathi, B.S. & Guerrero, J.M. A non-parametric adaptive conformal inference based probabilistic hour-ahead solar PV power forecasting method. Sci Rep 16, 11730 (2026). https://doi.org/10.1038/s41598-026-40911-x

Słowa kluczowe: prognozowanie energii słonecznej, prognozowanie probabilistyczne, kwantyfikacja niepewności, inferencja konformalna, sieci energii odnawialnej