Prognozowanie mocy fotowoltaicznej oparte na strategii wtórnej dekompozycji i hybrydowym modelu

Dlaczego inteligentniejsze prognozy słoneczne mają znaczenie

W miarę jak coraz więcej domów, firm i zakładów energetycznych podłącza się do energii słonecznej, sieć elektryczna stoi przed nowym wyzwaniem: światło słoneczne wcale nie jest stałe. Przemijające chmury, zmieniające się pory roku i wahania pogody powodują, że produkcja energii ze słońca skacze z minuty na minutę. Operatorzy sieci muszą jednak utrzymać zasilanie i bezpieczeństwo urządzeń, dlatego potrzebują bardzo dokładnych i szybkich prognoz ile energii wytworzą panele słoneczne w najbliższych minutach. W badaniu przedstawiono nowe podejście do tworzenia takich prognoz ultra-krótkoterminowych, które znacząco podnosi precyzję, pomaga w płynniejszym działaniu sieci i lepszym wykorzystaniu czystej energii.

Wyboista droga energii słonecznej

Elektrownie słoneczne przetwarzają światło słoneczne bezpośrednio na elektryczność, bez ruchomych części, paliwa czy kominów. To sprawia, że są czyste i trwałe przez wiele lat — ale nie zawsze przewidywalne z chwili na chwilę. Ich wydajność zależy w dużym stopniu od lokalnej pogody: chmury, mgła, temperatura, wilgotność i wiatr mogą wszystkie przesunąć produkcję w górę lub w dół. Dla operatorów sieci, którzy muszą nieustannie wyrównywać podaż i popyt, ta zmienność komplikuje harmonogramowanie elektrowni rezerwowych, baterii i rezerw mocy, zwiększając koszty. Istniejące metody prognozowania opierają się albo na modelach fizycznych pogody i paneli, albo na formułach statystycznych i uczeniu maszynowym. Choć te podejścia działają stosunkowo dobrze w horyzontach godzinowych lub dobowych, często mają trudności z uchwyceniem gwałtownych, poszarpanych zmian istotnych przy kontroli minutowej.

Rozbijanie złożonego sygnału na czystsze części

Autorzy rozwiązują ten problem, najpierw przekształcając surowe dane o mocy słonecznej zanim nastąpi etap uczenia. Zamiast podawać pojedynczą, zaszumioną krzywą mocy do jednego dużego modelu, dzielą sygnał na kilka prostszych bloków, z których każdy odzwierciedla inny rodzaj zachowania. Zaawansowana technika CEEMDAN rozdziela oryginalny szereg mocy na wiele składników o różnych rytmach. Te elementy następnie grupowane są w dwie rodziny: szybkie, drżące fluktuacje i wolniejsze, gładsze trendy. Najmocniej niestabilne składniki przechodzą drugą rundę doprecyzowania przy użyciu innej metody (VMD), której wewnętrzne ustawienia nie są już dobierane intuicyjnie, lecz automatycznie stroją je algorytmy optymalizacyjne inspirowane zachowaniem łowieckim pewnego gatunku ptaka. Ten dwustopniowy proces „dekompozycji” zamienia splecioną, trudną do przewidzenia krzywą w czyściejsze podsygnały, z którymi łatwiej sobie poradzić.

Dwie wyspecjalizowane ścieżki uczenia

Po rozdzieleniu sygnału mocy słonecznej na składniki szybkie i wolne, model przypisuje każdą grupę do innego narzędzia uczenia, dopasowanego do jej charakteru. Składniki o wysokiej częstotliwości, które zmieniają się szybko i mogą dryfować w czasie, przekazywane są lekkiego algorytmowi, który może być aktualizowany online w miarę napływu nowych danych. Takie rozwiązanie pozwala mu szybko adaptować się do nagłych zmian, na przykład gdy pasa chmur przesuwa się nad farmą słoneczną. Składniki niskoczęstotliwościowe, opisujące szersze wzrosty i spadki mocy w ciągu dnia, trafiają do systemu hybrydowego łączącego sieć rozpoznającą wzorce z rezerwuarem pamięciowym o dużej pojemności pamięci. Jedna część skupia się na wykrywaniu kształtów w krótkich oknach danych, podczas gdy druga śledzi, jak te kształty zmieniają się w czasie. Na koniec prognozy z obu gałęzi sumowane są z powrotem, tworząc pojedynczą prognozę na następny krok czasowy.

Testy w różnych warunkach pogodowych

Aby sprawdzić działanie schematu w realnym świecie, badacze zastosowali go do danych z dwóch bardzo różnych elektrowni słonecznych: jednej w Ningxia w Chinach i drugiej na australijskiej pustyni. Miejsca te doświadczają odmiennych klimatów i pór roku, co stanowi wymagający test elastyczności metody. Prognozy nowego modelu porównano z szeroką gamą współczesnych konkurentów, w tym popularnymi podejściami głębokiego uczenia, takimi jak sieci rekurencyjne, konwolucje czasowe i nowoczesne konstrukcje oparte na Transformatorach. We wszystkich miarach dokładności, a zwłaszcza w uchwyceniu gwałtownych wzrostów i spadków, hybrydowe podejście łączące dekompozycję i uczenie wypadało najlepiej. W jednym z kluczowych testów wyjaśniało ono około 99,7% zmienności mocy słonecznej, jednocześnie znacznie obniżając typowe błędy poniżej poziomu najsilniejszych modeli referencyjnych.

Co to oznacza dla sieci

Mówiąc wprost, badanie pokazuje, że traktowanie mocy słonecznej jako mieszaniny szybkiego szumu i wolniejszych trendów — i wyposażenie każdej części w dopasowany mechanizm prognozujący — może dać znacznie bardziej niezawodne prognozy minutowe niż modele „jeden dla wszystkich”. Dla operatorów sieci lepsze prognozy oznaczają mniej niespodzianek, mniejsze marnotrawstwo energii zapasowej i większą pewność przy poleganiu na energii słonecznej jako istotnym źródle. Z biegiem czasu takie inteligentniejsze prognozowanie może obniżyć koszty operacyjne, zmniejszyć przycinanie czystej energii i pomóc sieciom wchłaniać jeszcze większe udziały odnawialnych źródeł bez utraty stabilności.

Cytowanie: Xue, S., Li, L. Photovoltaic power forecasting based on secondary decomposition strategy and hybrid model. Sci Rep 16, 12915 (2026). https://doi.org/10.1038/s41598-026-42896-z

Słowa kluczowe: prognozowanie mocy słonecznej, energia fotowoltaiczna, inteligentna sieć, integracja odnawialnych źródeł energii, modelowanie szeregów czasowych