Prognozowanie bezpośredniego natężenia promieniowania normalnego (DNI) oparte na uczeniu maszynowym z użyciem danych satelitarnych dla elektrowni skoncentrowanej energii słonecznej (CSP) z magazynowaniem ciepła (TES)

Dlaczego przewidywanie godzin nasłonecznienia ma znaczenie

W miarę jak coraz więcej krajów sięga po słońce, by zasilać domy i przemysł, pojawia się istotne pytanie: jak utrzymać dostawy energii, gdy niebo zmienia się z minuty na minutę? Elektrownie skoncentrowanej energii słonecznej, które wykorzystują zwierciadła do skupiania promieniowania i przechowywania ciepła, mogą dostarczać prąd nawet po zachodzie słońca. Ale aby działały wydajnie i tanio, operatorzy muszą znać z wyprzedzeniem, jak silne będzie nasłonecznienie. W tym badaniu pokazano, jak bezpłatne dane pogodowe z satelitów i nowoczesne metody uczenia maszynowego mogą dostarczyć praktyczne, niedrogie prognozy nasłonecznienia dostosowane do tych elektrowni nowej generacji.

Przekształcanie obrazów z kosmosu w użyteczne prognozy nasłonecznienia

Badacze skupiają się na kluczowej wielkości zwanej bezpośrednim natężeniem promieniowania normalnego (DNI) — części promieniowania słonecznego, która podąża prostoliniowo i może być skoncentrowana przez zwierciadła. W odróżnieniu od zwykłych paneli fotowoltaicznych elektrownie te opierają się niemal wyłącznie na DNI, które jest silnie wrażliwe na chmury, wilgoć i cząstki w powietrzu. Zamiast instalować kosztowne kamery i przyrządy naziemne na każdym miejscu, zespół korzysta z danych satelity geostacjonarnego Himawari-8, który obserwuje dużą część Azji co dziesięć minut. Z tego strumienia obrazów i produktów pochodnych zbierają 17 zmiennych, w tym różne miary promieniowania, typ chmur, zawartość pary wodnej, temperaturę i kąt padania słońca, i podają je do modeli uczenia maszynowego trenowanych do prognozowania DNI z wyprzedzeniem od 30 minut do 6 godzin.

Inteligentne algorytmy uczące się od nieba

Aby znaleźć najlepsze narzędzie prognostyczne, autorzy testują 24 różne podejścia z zakresu uczenia maszynowego i porównują ich dokładność, szybkość i koszty obliczeniowe. Stwierdzają, że technika o nazwie Ensemble Bagging Regression sprawdza się szczególnie dobrze w prognozach bardzo krótkoterminowych, zwłaszcza na horyzoncie 30 minut, gdzie uchwyca drobne, niedawne zmiany. Na dłuższe okresy przoduje model regresji procesu Gaussa z funkcją wykładniczą. Ten model nie tylko przewiduje przyszłe DNI, ale także dostarcza wbudowaną miarę niepewności, co jest cenne przy planowaniu. W całym zakresie prognoz do sześciu godzin najlepszy model utrzymuje wysoką wydajność, z błędami na tyle małymi, że mogą zostać skompensowane przez naturalną zdolność buforowania systemów magazynowania cieplnego w elektrowniach skoncentrowanej energii słonecznej.

Odczytywanie ukrytych sygnałów pogody

Ponad samą dokładność zespół chce zrozumieć, co napędza przewidywania modelu. Wykorzystują technikę wyjaśnialnej sztucznej inteligencji znaną jako SHAP, która przypisuje każdej zmiennej wejściowej wkład do prognozy, podobnie jak sprawiedliwy podział rachunku między gościami kolacji. Ta analiza ujawnia, że kąt słońca na niebie i właściwości związane z chmurami są najbardziej wpływowymi czynnikami w wielu horyzontach czasowych. Wersje miar promieniowania „czyste niebo” — czyli wartość promieniowania przy braku chmur — także odgrywają dużą rolę, podobnie jak temperatura i proste przeszłe wartości DNI przy krótkich opóźnieniach. Wilgotne powietrze, ozon i wilgotność względna mają tendencję do obniżania oczekiwanego nasłonecznienia, zwłaszcza w wilgotne miesiące letnie, podczas gdy jasne, suche warunki pod koniec zimy i wczesną wiosną je zwiększają. Te wnioski uspokajają operatorów, że model reaguje na fizycznie sensowne sygnały, a nie na ukryte anomalia w danych.

Od płaskich równin po górskie doliny

Kluczowym testem jest, czy model wytrenowany w jednym miejscu można zaufać w innych lokalizacjach. Autorzy trenują system na stanowisku w Bhagalpur w Indiach, a następnie stosują go w pięciu dodatkowych miejscach w Azji Południowej, od nizinnych równin po podnóża Himalajów. Na bardziej płaskim terenie, takim jak Jhansi i Kharagpur, prognozy pozostają bardzo wiarygodne, z stabilnymi poziomami błędów i niewielkim systematycznym niedoszacowaniem lub przeszacowaniem. W przeciwieństwie do tego stacje położone w bardziej zróżnicowanym terenie, takie jak Makalu w Himalajach, wykazują większe wahania dokładności i tendencje błędów przy niektórych opóźnieniach czasowych. Wzorce te sugerują, że lokalna rzeźba terenu i unikalne zachowania pogody — na przykład szybkie formowanie się chmur wokół gór — mogą stanowić wyzwanie dla modelu opartego wyłącznie na danych satelitarnych i mogą wymagać dodatkowego dostosowania.

Co to oznacza dla przyszłej energetyki słonecznej

Dla operatorów elektrowni skoncentrowanej energii słonecznej z magazynowaniem ciepła badanie przynosi praktyczny wniosek: nie zawsze potrzebne są najdroższe, ultra-dokładne urządzenia prognostyczne, by skutecznie prowadzić elektrownię. Dzięki naturalnemu wygładzeniu zapewnianemu przez magazynowanie cieplne dobrze zaprojektowany model oparty na danych satelitarnych o umiarkowanych błędach może nadal wspierać pewne planowanie mocy na kilka następnych godzin. Polegając na bezpłatnych, szerokozasięgowych danych satelitarnych i interpretowalnym uczeniu maszynowym, podejście to oferuje skalowalny sposób obniżenia kosztów i ceny energii słonecznej w regionach bogatych w nasłonecznienie, szczególnie w Azji Południowej. Przy dalszych udoskonaleniach uwzględniających góry, aerozole i lokalne wzorce pogodowe takie systemy prognostyczne mogłyby stać się technologicznym filarem bardziej niezawodnej, zasilanej słońcem sieci.

Cytowanie: Rathnayake, N., Wijewardane, S. Machine learning-based Direct Normal Irradiance (DNI) forecasting using satellite data for Concentrated Solar Power (CSP) plants with Thermal Energy Storage (TES). Sci Rep 16, 11257 (2026). https://doi.org/10.1038/s41598-026-41733-7

Słowa kluczowe: prognozowanie solarne, skoncentrowana energia słoneczna, dane satelitarne, uczenie maszynowe, magazynowanie energii cieplnej