Previsão interpretável de energia fotovoltaica em ultra-curto prazo com modelagem temporal multiescala e atenção por variável

Por que prever a energia solar em minutos é importante

À medida que mais eletricidade vem de painéis solares, os operadores da rede precisam equilibrar constantemente quanta energia está sendo gerada com o quanto as pessoas estão consumindo. Nuvens repentinas, mudanças sazonais e variações meteorológicas podem fazer a produção solar subir ou cair em minutos, ameaçando esse equilíbrio. Este artigo apresenta uma nova forma de prever a potência de uma grande usina solar com apenas 15 minutos de antecedência, visando manter as previsões precisas ao longo das quatro estações e ao mesmo tempo tornar o raciocínio do modelo mais fácil de inspecionar por humanos.

Ver padrões no sol e no clima em várias escalas de tempo

A produção de energia solar é moldada por ritmos que se desenrolam em minutos, horas e meses: o nascer e o pôr do sol diários, rajadas curtas de cobertura de nuvens e mudanças sazonais graduais. Ferramentas tradicionais de previsão costumam concentrar-se em apenas uma dessas escalas temporais ou combiná-las de forma a diluir suas diferenças, o que pode gerar grandes erros quando as condições mudam rapidamente. A primeira parte do sistema proposto, chamada Multi-Scale Kolmogorov–Arnold Network (MKAN), aborda isso fatiando dados passados em blocos sobrepostos de diferentes durações. Cada bloco passa por um módulo matemático pequeno e flexível que aprende como a potência responde ao padrão recente nessa escala. Essas visões específicas por escala são então costuradas de volta em um resumo rico de como a usina solar tem se comportado no passado recente.

Deixar as variáveis meteorológicas “conversarem” entre si

A potência solar não depende de uma única leitura como a intensidade da luz; ela emerge de interações complexas entre vários fatores, incluindo luz direta e difusa, temperatura, umidade, pressão e a própria produção recente da usina. A segunda parte da estrutura, chamada iTransformer, foi projetada para capturar essas interações tratando cada variável como um “token” em uma conversa. Em vez de escanear passo a passo no tempo, o iTransformer olha através das variáveis e usa um mecanismo de atenção para decidir quais devem influenciar com mais força cada previsão. Esse foco por variável facilita revelar, por exemplo, quando a umidade está moldando fortemente o efeito da luz solar, ou quando o modelo está apoiando-se muito na produção recente porque o tempo está instável.

Combinando as duas ideias em um único motor de previsão

Os autores conectam MKAN e iTransformer em sequência para formar o modelo MKAN-iTransformer. Primeiro, o MKAN transforma o histórico em resolução de 15 minutos de dados meteorológicos e de potência em características temporais multiescala que separam flutuações rápidas de tendências mais suaves. Em seguida, o iTransformer pega essas características e usa seu mecanismo de atenção para entrelaçar informações de diferentes variáveis, produzindo uma estimativa final da potência da usina 15 minutos no futuro. O sistema é treinado e testado em dois anos de dados de uma usina solar de 30 MW na China, usando apenas leituras diurnas entre 6:00 e 20:00. Os dados são divididos cronologicamente por estação para imitar uma implantação real, e o modelo é comparado com uma ampla gama de alternativas, desde redes recorrentes clássicas até desenhos mais novos baseados em Transformer e suas variantes aprimoradas com KAN.

Como se sai ao longo de primavera, verão, outono e inverno

Em quase todas as estações e medidas de erro, o MKAN-iTransformer iguala ou supera métodos concorrentes. Na primavera e no outono — quando o tempo muda rapidamente e as curvas de potência são moldadas por rampas irregulares — ele entrega os menores erros quadráticos e os menores erros médios, explicando mais de 94% da variação na potência. No inverno, um regime particularmente difícil com ângulos solares baixos e oscilações rápidas, o modelo reduz algumas medidas de erro em mais da metade em comparação com um Transformer padrão e supera claramente redes recorrentes. O verão é um pouco mais fácil para a maioria dos modelos, mas o MKAN-iTransformer ainda fornece os menores erros quadráticos, o que significa que ele suprime melhor erros grandes e ocasionais. Estudos de ablação cuidadosos mostram que usar apenas MKAN ou apenas iTransformer não explica totalmente esses ganhos; é a combinação — temporização multiescala mais atenção entre variáveis — que fornece o desempenho mais estável ao longo das estações.

Abrindo a caixa-preta para operadores de energia

Além da precisão bruta, os autores enfatizam a interpretabilidade. Como o MKAN constrói suas previsões a partir de somas de funções aprendidas simples, estas podem ser visualizadas para revelar como o modelo responde a entradas em diferentes níveis, como baixa ou alta irradiação. Uma decomposição multiescala do sinal de potência mostra como tendências diárias, mudanças meteorológicas de médio prazo e saltos rápidos induzidos por nuvens são separados e processados. Enquanto isso, mapas de atenção do iTransformer exibem como a importância entre variáveis muda conforme a estação: a luz solar direta domina na primavera e no inverno, enquanto a umidade e certas medidas de irradiação ganham destaque no verão e no outono. Essas ferramentas visuais ajudam engenheiros a entender por que o modelo se comporta como se comporta sob diferentes regimes atmosféricos, apoiando confiança e diagnóstico quando as previsões falham.

O que isso significa para o futuro da previsão solar

Em termos práticos, o estudo mostra que é possível construir uma previsão solar que seja ao mesmo tempo “larga” e “profunda”: ampla entre diferentes sinais meteorológicos e profunda em várias escalas temporais, tudo enquanto permanece em parte legível para humanos. Para os operadores de rede, isso pode se traduzir em previsões mais confiáveis de 15 minutos à frente ao longo do ano, menos oscilações surpresa no suprimento e melhor uso de armazenamento e usinas de reserva. Para pesquisadores, o MKAN-iTransformer oferece um roteiro para combinar blocos interpretáveis com mecanismos poderosos de atenção, apontando para ferramentas de previsão que não são apenas precisas, mas também explicam como o sol, as nuvens e a atmosfera em conjunto moldam o fluxo de eletricidade renovável.

Citação: Liu, L., Liu, M., Han, Z. et al. Interpretable ultra-short-term photovoltaic power forecasting with multi-scale temporal modeling and variable-wise attention. Sci Rep 16, 10336 (2026). https://doi.org/10.1038/s41598-026-39797-6

Palavras-chave: previsão de energia solar, redes fotovoltaicas, modelagem de séries temporais, variabilidade sazonal, IA interpretável