Ulepszanie prognozowania energii wiatrowej i słonecznej poprzez inżynierię cech szeregów czasowych i zespołowe uczenie maszynowe

Dlaczego lepsze prognozy energii odnawialnej mają znaczenie

W miarę jak turbiny wiatrowe i panele słoneczne dostarczają coraz większej części naszej elektryczności, ich naturalne wahania utrudniają utrzymanie ciągłości dostaw. Operatorzy sieci muszą wiedzieć nie tylko ile energii jest wytwarzane teraz, lecz także jak ta produkcja może się zmieniać w kolejnych godzinach. W tym badaniu pokazano, jak zaawansowana analiza danych i uczenie maszynowe mogą przekształcić wieloletnie zapisy wiatru i nasłonecznienia w ostrzejsze prognozy krótkoterminowe, które pomagają zrównoważyć podaż i popyt, ograniczyć straty i wspierać bardziej niezawodną sieć niskoemisyjną.

Z surowych odczytów mocy do inteligentniejszych sygnałów

Naukowcy pracowali na prawie sześciu latach godzinnych danych o mocy wiatrowej i słonecznej z całej Francji, obejmujących ponad pięćdziesiąt tysięcy punktów czasowych. Zamiast wprowadzać te surowe wartości bezpośrednio do modelu, przekształcili je w bogatsze sygnały. Dodali informacje o tym, jaka była produkcja godzinę, dzień czy dłużej wcześniej, obliczyli średnie krótkoterminowe i miary zmienności oraz zakodowali wzorce kalendarzowe, takie jak pora dnia, dzień tygodnia i pora roku, używając funkcji cyklicznych odzwierciedlających dobowe i roczne cykle. Dokładnie sprawdzili też nadmiarowość informacji i ukryte „przecieki” z danych przyszłych, aby modele oceniane były w realistycznych zadaniach prognostycznych, a nie na podstawie przypadkowego wglądu w przyszłe wartości.

Nauczanie maszyn podążania za rytmem pogody

Mając tak przygotowane szeregi czasowe, zespół przetestował szeroki wachlarz metod prognostycznych. Klasyczne modele statystyczne, takie jak ARIMA, które zakładają stosunkowo proste, liniowe wzorce, porównano z bardziej elastycznymi systemami uczenia maszynowego, w tym z drzewami decyzyjnymi ze wzmocnieniem gradientowym i głębokimi sieciami neuronowymi. Na szczególną uwagę zasłużyły dwa zespołowe modele bazujące na drzewach: CatBoost i LightGBM. Metody te budują wiele małych drzew decyzyjnych, z których każde wyłapuje inne aspekty danych, a następnie łączą je w jednego silnego predyktora. Dzięki rygorystycznemu schematowi oceny forward rolling, w którym każda nowa prognoza tworzona jest wyłącznie na podstawie danych historycznych, autorzy zapewnili, że wyniki wydajności będą zbliżone do tego, czego można oczekiwać w rzeczywistej eksploatacji sieci.

Jak daleko naprawdę potrafimy przewidzieć

Badanie obejmowało prognozy od jednej godziny do pełnej doby naprzód, osobno dla energii wiatrowej i słonecznej. W przypadku wiatru najlepsze modele uchwyciły większość zmienności przy horyzoncie jednej godziny, a ich skuteczność stopniowo malała wraz ze wzrostem czasu prognozy. Do około sześciu godzin naprzód prognozy nadal niosły użyteczną informację, lecz w przedziale od dwunastu do dwudziestu czterech godzin rosnące znaczenie zmieniającej się pogody czyniło przewidywania znacznie mniej pewnymi. Energia słoneczna okazała się jeszcze trudniejsza do przewidzenia na dłuższe horyzonty, ponieważ zachmurzenie i inne szybko zmieniające się czynniki mogą zmieniać się gwałtownie w sposób niewidoczny jedynie na podstawie przeszłej produkcji. Modele radziły sobie nieźle na najbliższą godzinę, szczególnie w pogodny dzień, ale poza kilkoma godzinami ich skuteczność gwałtownie spadała.

Na co modele rzeczywiście zwracają uwagę

Systematycznie usuwając grupy cech wejściowych, autorzy zbadali, które informacje miały największe znaczenie. Ostatnie poziomy mocy — wartości opóźnione — były jedynym dominującym składnikiem, potwierdzając, że to, co właśnie się wydarzyło, zwykle jest najlepszą wskazówką co do tego, co nastąpi. Średnie kroczące i miary krótkoterminowej zmienności również odgrywały istotną rolę, zwłaszcza gdy system przechodził między spokojnymi a wietrznymi warunkami lub między zachmurzonym a słonecznym niebem. Cechy kalendarzowe i cykliczne, takie jak godzina dnia zakodowana na okręgu, stawały się ważniejsze przy dłuższych horyzontach, gdzie szerokie wzorce dobowe i sezonowe liczą się bardziej niż minutowe wahania. Modele głębokiego uczenia oparte na sieciach rekurencyjnych potrafiły podążać za złożonymi wahaniami produkcji, lecz najlepiej dostrojone zespoły drzew dorównywały lub przewyższały ich dokładność przy niższych kosztach obliczeniowych.

Co to oznacza dla przyszłej sieci

Dla ogólnego czytelnika kluczowy wniosek jest taki, że staranne przygotowanie danych z odciskami czasowymi i przemyślane testowanie modeli mogą realnie poprawić nasze zdolności przewidywania produkcji farm wiatrowych i słonecznych. Zaawansowane, a jednocześnie praktyczne metody uczenia maszynowego mogą dostarczać wiarygodne prognozy na najbliższe kilka godzin — czyli w oknie czasowym najważniejszym dla codziennego bilansowania sieci. Jednocześnie badanie pokazuje, że patrzenie na pełną dobę naprzód pozostaje trudne, jeśli polegamy wyłącznie na przeszłej produkcji, szczególnie w przypadku energii słonecznej. Aby przesunąć granice prognozowania dalej, przyszłe narzędzia będą musiały łączyć techniki oparte na danych z szczegółowymi informacjami meteorologicznymi i wiedzą fizyczną o turbinach i panelach, pomagając sieciom zachować stabilność, gdy energia odnawialna zajmie większy udział w podaży.

Cytowanie: Elmunim, N.A., Khlifi, M.A., Aldawsari, M.A. et al. Enhancing wind and solar energy forecasting through time-series feature engineering and ensemble machine learning. Sci Rep 16, 15546 (2026). https://doi.org/10.1038/s41598-026-49373-7

Słowa kluczowe: prognozowanie energii odnawialnej, predykcja mocy wiatrowej, predykcja mocy słonecznej, uczenie maszynowe, cechy szeregów czasowych