Гибридная архитектура TimeGAN–xLSTM–Transformer для прогнозирования солнечной генерации в сложных погодных условиях

Почему более точные прогнозы солнечной генерации важны

По мере того как всё больше домов, предприятий и целых городов подключаются к солнечной энергии, поддержание электроснабжения превращается в задачу прогнозирования. Солнечный свет может быть бесплатным, но он ненадёжный: облака, дымка, перепады температуры и смена сезонов заставляют выработку колебаться. Операторы сетей должны знать за несколько часов, сколько электроэнергии произведут солнечные станции, чтобы безопасно и экономично балансировать спрос и предложение. В этой статье предлагается новая система искусственного интеллекта (ИИ), которая учится на исторических данных и даже генерирует правдоподобные новые данные, чтобы делать прогнозы солнечной генерации значительно надёжнее в реальных, «грязных» погодных условиях.

Рост солнечной энергетики и хаос погоды

Быстрое расширение установок фотоэлектрических (PV) генераций в Китае отражает общемировую тенденцию: солнечная энергия становится опорой современных электроэнергетических систем. В отличие от угольных или газовых станций, однако, выход PV нельзя просто увеличить по команде — он зависит от атмосферы. Могут подойти облака, повиснуть туман или нагреться и разрежиться воздух, что заставит панели выдавать больше или меньше мощности. Чтобы поддерживать стабильность сети, операторы пользуются тремя основными типами прогнозов: точечными предсказаниями, интервалами вероятных значений и полными вероятностными сценариями. Традиционные методы часто требуют больших исторических наборов данных и всё ещё испытывают трудности с редкими, но критичными событиями — резкими падениями или скачками выработки. Им также непросто уловить запутанные взаимосвязи между солнечным излучением, температурой, влажностью и генерацией во времени.

Обучение ИИ придумывать правдоподобные солнечные дни

Первая ключевая идея этой работы — «растить» набор данных вместо того, чтобы смириться с его ограничениями. Авторы используют модель TimeGAN, специально разработанную для данных временных рядов, чтобы генерировать синтетические записи солнечной генерации, которые выглядят и ведут себя как реальные. TimeGAN учится тому, как выход PV меняется шаг за шагом в связке с погодными факторами — инсоляцией и температурой. После обучения модель способна создавать новые последовательности с теми же шаблонами, включая экстремальные подъёмы и падения, которые могут быть редкими в исходных данных. Тесты с визуализацией показывают, что синтетические данные тесно перекрываются с реальными измерениями как в локальных деталях, так и в общем распределении. Когда простая модель предсказания обучается на пополненном наборе данных, её ошибки заметно сокращаются, что подтверждает: эти «вымышленные» солнечные дни помогают ИИ лучше обобщать на невидимые условия.

Сочетание кратковременных колебаний и долгосрочных трендов

Второй столп архитектуры — умелое сочетание двух мощных моделей для последовательностей. Расширенная версия Long Short-Term Memory, названная xLSTM, обрабатывает тонкую структуру изменений солнечной выработки. В отличие от стандартных вариантов, xLSTM использует более богатые структуры памяти и несколько временных шкал, что позволяет отслеживать быстрые изменения — например, пролетевшее облако — а также более медленные сдвиги в течение часов или дней. Поверх этого авторы размещают модуль Transformer, архитектуру, известную по успехам в языковых моделях. Transformer обращает внимание на взаимосвязи между удалёнными временными шагами, эффективно выбирая, какие прошлые моменты наиболее важны для предсказания будущего. Вместе эти компоненты образуют конвейер: TimeGAN обогащает тренировочные данные, xLSTM извлекает многоуровневые временные признаки, а Transformer взвешивает их глобально, чтобы выдавать точные прогнозы.

Тестирование модели на реальных солнечных фермах

Исследователи валидавали свой подход на полугодичных данных от реального распределённого PV‑кластера в Государственной сети Китая, снятых с интервалом 15 минут и включающих выработку мощности, температуру, влажность и уровень освещённости. Они сравнили свой гибридный фреймворк TimeGAN–xLSTM–Transformer с более традиционными моделями LSTM и Transformer. Результаты впечатляют: новая модель снижает среднеквадратичную ошибку примерно на 48 процентов и среднюю абсолютную ошибку примерно на 44 процента по сравнению с лучшими традиционными базовыми методами. Процентная ошибка падает до примерно 2,7 процента, и преимущество увеличения данных с помощью TimeGAN очевидно — модели, обученные без синтетики, работают существенно хуже, особенно при резких колебаниях солнечной генерации.

Что это значит для повседневного энергопотребления

Проще говоря, исследование показывает, что сочетание правдоподобно «вымышленных» данных с многоуровневой архитектурой ИИ может сделать прогнозы солнечной генерации гораздо надёжнее, даже когда погода капризничает. Для повседневной жизни более точные прогнозы означают меньше отключений, меньше неэффективного использования резервной энергии из ископаемого топлива и более плавную интеграцию возобновляемой энергии в сеть. По мере распространения солнечных установок в городах и сельской местности подобные гибридные фреймворки TimeGAN–xLSTM–Transformer помогут энергетическим системам планировать наперёд увереннее, приближая нас к более чистому, низкоуглеродному энергетическому будущему.

Цитирование: Chu, B., Shu, J., Zhao, C. et al. A hybrid TimeGAN–xLSTM–Transformer framework for photovoltaic power forecasting under complex environmental conditions. Sci Rep 16, 8782 (2026). https://doi.org/10.1038/s41598-026-36073-5

Ключевые слова: прогнозирование солнечной энергии, фотovoltaическая энергия, глубокое обучение, данные временных рядов, интеграция возобновляемых источников энергии