Wielokrokowy model krótkoterminowej prognozy mocy fotowoltaicznej oparty na ulepszonym algorytmie migracji wielorybów

Dlaczego prognozowanie mocy słonecznej ma znaczenie

W miarę jak coraz więcej domów, firm i miast przechodzi na energię słoneczną, przewidywanie, ile energii wyprodukują panele w kolejnych minutach lub godzinach, staje się kluczowe. Jeśli prognoza jest nietrafna, operatorzy sieci muszą improwizować, żeby utrzymać dostawy prądu, co generuje koszty i czasem prowadzi do użycia paliw kopalnych. W artykule przedstawiono inteligentniejsze podejście do krótkoterminowego prognozowania mocy z instalacji fotowoltaicznych, które jest zarówno dokładniejsze, jak i bardziej stabilne niż wiele istniejących metod.

Wahania mocy słonecznej

Panele słoneczne są zależne od pogody. Przechodzące chmury, mgła, zmiany sezonowe i nagłe burze powodują, że wytwarzana moc skacze w złożony sposób. Tradycyjne narzędzia prognostyczne opierają się albo na uproszczonych modelach fizycznych paneli, albo wyłącznie na danych historycznych. Modele fizyczne mogą nie uwzględniać rzeczywistych niuansów, podczas gdy narzędzia statystyczne mają trudności, gdy dane są zaszumione lub silnie nieregularne. W efekcie często zawodzą przy gwałtownych zmianach nasłonecznienia — dokładnie wtedy, gdy operatorzy najbardziej potrzebują wiarygodnych przewidywań.

Rozbijanie złożonego sygnału na czystsze części

Aby opanować ten chaos, autorzy najpierw porządkują surowe dane o mocy słonecznej przed rozpoczęciem prognozowania. Stosują technikę zwaną wariacyjną dekompozycją modalną, która dzieli pierwotną, poszarpaną krzywą mocy na kilka gładszych składowych, z których każda uchwyca wzorce na różnych skalach czasowych. To rozdzielenie redukuje przypadkowy szum i ułatwia ujawnienie ukrytych regularności. Zamiast zmuszać model do uczenia się z jednej splątanej krzywej, metoda dostarcza mu zestaw czyściejszych, bardziej stabilnych elementów budulcowych.

Pozwalanie maszynom uczyć się wzorców i same się stroić

Po dekompozycji sygnału badanie przechodzi do systemu uczącego się złożonego z dwóch części. Pierwsza to jednowymiarowa sieć konwolucyjna, która świetnie rozpoznaje lokalne wzorce i trendy w szeregach czasowych. Druga to lekkie rozwiązanie uczenia zwane kernelową ekstremalną maszyną uczącą się, które szybko przekształca wyekstrahowane wzorce w wartości prognoz. Ten hybrydowy model łączy silne rozpoznawanie wzorców z szybkim i efektywnym przewidywaniem. Jego wydajność zależy jednak w dużej mierze od kilku kluczowych parametrów wewnętrznych, zwanych hiperparametrami, które zwykle trudno dostroić ręcznie.

Zapęczenie pomysłów z migracji wielorybów do optymalizacji modelu

Aby automatycznie wybrać te istotne ustawienia, autorzy wprowadzają „ulepszony algorytm migracji wielorybów”. Zainspirowany sposobem, w jaki humbaki poruszają się w stadach i eksplorują ocean, algorytm traktuje każdy kandydacki zestaw hiperparametrów jak wieloryba poszukującego lepszych łowisk. Wykorzystuje mieszankę szerokiej eksploracji i precyzyjnego lokalnego przeszukiwania, wspieraną kontrolowaną losowością i skokowymi ruchami, aby uniknąć utknięcia w słabych rozwiązaniach. W miarę wielu iteracji „wieloryby” migrują w kierunku kombinacji hiperparametrów, które minimalizują błędy prognozy, skutecznie ucząc model prognostyczny samodzielnego strojenia.

Testy metody

Zespół ocenia swoje podejście — łączące dekompozycję sygnału, hybrydowy model uczący i optymalizator inspirowany wielorybami — na rzeczywistych danych z dwóch elektrowni fotowoltaicznych w Chinach: jednej o mocy 50 MW i drugiej 35 MW, obejmujących okresy zimowe i letnie. Porównują je z dziewięcioma alternatywami, w tym standardowymi sieciami neuronowymi, maszynami wektorów nośnych, predyktorami jednostopniowymi i prostszymi hybrydami. Nowy model nie tylko odwzorowuje ogólne dzienne krzywe, ale także znacznie lepiej podąża za ostrymi skokami i spadkami. Według kilku miar błędu, konsekwentnie osiąga mniejsze pomyłki i lepsze dopasowanie do rzeczywistych wyników, z wartościami dopasowania wynoszącymi około 97% i 92% dla obu lokalizacji.

Znaczenie dla codziennego wykorzystania energii

Dla osób niebędących specjalistami kluczowy wniosek jest taki, że autorzy oferują bardziej wiarygodny „raport pogodowy” dotyczący samej energii słonecznej. Dzięki oczyszczeniu danych, zastosowaniu szczupłego, lecz mocnego układu uczącego się oraz użyciu inspirowanego naturą algorytmu do automatycznego strojenia systemu, znacznie poprawiają krótkoterminowe prognozy dostaw energii z paneli fotowoltaicznych. Lepsze prognozy ułatwiają bilansowanie źródeł odnawialnych i konwencjonalnych, obniżają koszty operacyjne i wspierają czystszą, bardziej odporną sieć energetyczną. Tę samą strategię można też dostosować do innych złożonych problemów prognostycznych — od energii wiatrowej, przez obciążenia przemysłowe, aż po analizę sygnałów medycznych.

Cytowanie: Zhao, M., Wu, S. & Hu, Y. A multi-step short-term photovoltaic power prediction model based on an improved whale migration algorithm. Sci Rep 16, 10537 (2026). https://doi.org/10.1038/s41598-026-41673-2

Słowa kluczowe: prognozowanie energii słonecznej, energia fotowoltaiczna, uczenie maszynowe, algorytmy optymalizacji, sieć energii odnawialnej