Оптимизация прогнозирования солнечной и ветровой энергии с помощью алгоритма оптимизации iHow и многомасштабных сетей внимания

Почему важны лучшие энергетические прогнозы

По мере того как всё больше домов и городов получают электричество от солнца и ветра, поддержание электроснабжения превращается в задачу прогнозирования. Солнечные панели и ветряные турбины вырабатывают чистую энергию, но их отдача меняется с каждым проплывающим облаком и порывом ветра. В этой работе исследуется новый подход к более точному и эффективному прогнозированию таких колебаний, который помогает операторам сетей балансировать спрос и предложение, снижать зависимость от резервов на ископаемом топливе и планировать обслуживание до того, как проблемы приведут к отключениям.

Проблема угадывания завтрашнего солнца и ветра

Современные солнечные и ветровые фермы укомплектованы датчиками, фиксирующими погоду, выработку и рабочие условия поминутно или покадрово. Хотя эти богатые данные теоретически позволяют получать очень точные прогнозы, на практике они перегружают многие модели. Чрезмерное количество пересекающихся измерений замедляет обучение и повышает вероятность ошибок, а тонкая настройка множества параметров глубоких сетей часто превращается в трудоёмкое ремесло. Существующие подходы, как правило, разделяют выбор входов и конфигурирование модели на отдельные этапы, и многие трюки оптимизации застревают в субоптимальных решениях при большом и запутанном пространстве поиска.

Более умный «мозг» для прогнозов солнца и ветра

Авторы строят свою систему вокруг многомасштабной сети внимания (Multi‑Scale Attention Network) — модели глубокого обучения, спроектированной для одновременного анализа данных о мощности на нескольких временных горизонтах: быстрых флуктуаций, суточных циклов и более длительных сезонных закономерностей. Механизмы внимания внутри сети помогают сосредоточиться на наиболее релевантных моментах в прошлом при составлении прогноза. Сама по себе эта архитектура уже превосходит популярные альтернативы, такие как сети с долгой короткой памятью (LSTM), блоки суправления рекуррентными единицами (GRU), адверсариальные модели временных рядов и резидуальные сети на наборах данных по ветру и солнцу из национальной сети Франции.

Обучение по-человечески: отсеивание и настройка

Для дальнейшего улучшения показателей команда использует вдохновлённый человеческим мышлением алгоритм оптимизации iHOW. Вместо подражания животным или физическим процессам, iHOW заимствует идеи из того, как люди учатся: сначала поглощают сырую информацию, затем обрабатывают её, формируют знания и, наконец, применяют экспертизу. В своей бинарной версии biHOW алгоритм выступает как автоматический редактор пространства входных данных, выбирая компактные наборы наиболее информативных признаков из десятков временных отсчётов, календарных меток и записей о выработке. В непрерывной форме iHOW настраивает критичные параметры глубокой сети — такие как число слоёв, количество голов внимания и интенсивность dropout — чтобы обучение было стабильным и эффективным.

Что показали эксперименты

Используя несколько лет почасовой французской выработки солнечной и ветровой энергии, исследователи тщательно очищают и реструктурируют данные, конструируют полезные индикаторы, такие как скользящие средние и соотношения «солнце‑к‑ветру», а затем сравнивают множество стратегий обучения при идентичных условиях. До оптимизации многомасштабная сеть внимания уже демонстрирует меньшие ошибки и более сильную корреляцию с реальной выработкой по сравнению с конкурентами. После того как biHOW удаляет избыточные входы, все модели улучшаются, но сеть внимания выигрывает больше всего. Наконец, при использовании iHOW для тонкой настройки параметров обучения ошибки прогнозирования падают на порядок(ы), а способность модели объяснять вариации выработки приближается к идеальной, при этом явно превосходя ряд известных схем оптимизации, включая рой частиц, серых волков, ястребов, китов и другие.

Последствия для будущих интеллектуальных сетей

Для неспециалиста основной вывод таков: грамотно спроектированная комбинация мощного движка прогнозирования и оптимизатора «обучаться учиться» может превратить неструктурированные потоки погодных и энергетических данных в удивительно точные предсказания. Автоматически определяя, какие сигналы важны и как должна быть сконфигурирована модель, предложенная система достигает как большей точности, так и меньших вычислительных затрат. Такой интеллектуальный прогноз может помочь будущим интеллектуальным сетям уверенно опираться на ветер и солнце, планировать обслуживание до возникновения отказов и в конечном счёте поддерживать системы управления в реальном времени, которые обеспечат подачу чистой электроэнергии даже при постоянно меняющейся погоде.

Цитирование: Radwan, M., Ibrahim, A., Abdelsalam, M.M. et al. Optimizing solar and wind forecasting with iHow optimization algorithm and multi-scale attention networks. Sci Rep 16, 8597 (2026). https://doi.org/10.1038/s41598-026-39632-y

Ключевые слова: прогнозирование возобновляемой энергии, прогнозирование солнечной энергии, прогнозирование ветровой энергии, оптимизация глубокого обучения, управление интеллектуальными сетями