Интерпретируемое ультра-краткосрочное прогнозирование мощности фотоэлектрических установок с многомасштабным временным моделированием и по-переменным механизмом внимания

Почему важно прогнозировать солнечную энергию на минуты вперёд

По мере роста доли электроэнергии от солнечных панелей операторы сетей вынуждены постоянно балансировать между производством и потреблением. Внезапные облака, сезонные сдвиги и переменчивая погода могут заставить выход солнечной станции меняться в течение нескольких минут, что угрожает этому балансу. В статье предлагается новый метод прогнозирования выработки большой солнечной фермы за 15 минут вперёд; цель — сохранить точность прогнозов во все четыре сезона и одновременно сделать рассуждения модели более доступными для человека.

Улавливание закономерностей солнца и погоды на разных временных масштабах

Выход солнечной энергии определяется ритмами, разворачивающимися за минуты, часы и месяцы: ежедневный подъём и спад солнца, короткие вспышки облачности и постепенные сезонные изменения. Традиционные инструменты прогнозирования часто фокусируются только на одном масштабе или смешивают их, что приводит к большим ошибкам при резких изменениях условий. Первая часть предлагаемой системы, названная Multi-Scale Kolmogorov–Arnold Network (MKAN), решает эту задачу, разрезая историю на перекрывающиеся фрагменты разной длины. Каждый фрагмент проходит через небольшой гибкий математический модуль, который учится, как мощность реагирует на недавний паттерн на этом масштабе. Эти масштаб-специфичные представления затем сшиваются обратно в богатое сводное описание поведения солнечной фермы в недавнем прошлом.

Давать погодным переменным «общаться» друг с другом

Выход солнечной энергии не зависит от единственного показателя, например интенсивности освещённости; он возникает из сложного взаимодействия нескольких факторов: прямого и рассеянного света, температуры, влажности, давления и недавней выработки самой станции. Вторая часть фреймворка, названная iTransformer, предназначена для улавливания этих взаимодействий, рассматривая каждую переменную как отдельный «токен» в беседе. Вместо последовательного просмотра по шагам времени iTransformer смотрит поперёк переменных и использует механизм внимания, чтобы решить, какие из них должны сильнее влиять друг на друга для конкретного прогноза. Такой межпеременный фокус упрощает выявление, например, когда влажность сильно изменяет влияние освещённости, или когда модель делает упор на недавнюю выработку из‑за нестабильной погоды.

Объединение двух идей в едином движке прогнозирования

Авторы объединяют MKAN и iTransformer последовательно, формируя модель MKAN-iTransformer. Сначала MKAN преобразует сырую историю погодных и энергетических данных с разрешением 15 минут в многомасштабные временные признаки, отделяя быстрые флюктуации от более гладких трендов. Затем iTransformer берёт эти признаки и с помощью механизма внимания объединяет информацию из разных переменных, выдавая итоговую оценку мощности станции через 15 минут. Система обучалась и тестировалась на двух годах данных с солнечной фермы мощностью 30 МВт в Китае, используя только показания в дневное время с 6:00 до 20:00. Данные разделялись хронологически по каждому сезону, чтобы имитировать реальное развёртывание, а модель сравнивали с широким набором альтернатив — от классических рекуррентных сетей до современных Transformer-архитектур и их вариантов с KAN.

Насколько хорошо это работает весной, летом, осенью и зимой

Во всех сезонах и по большинству метрик ошибок MKAN-iTransformer либо сопоставима, либо превосходит конкурентов. Весной и осенью — когда погода меняется быстро и кривые мощности формируются нерегулярными подъемами и спадами — модель показывает наименьшие квадратичные ошибки и меньшие средние отклонения, объясняя более 94% вариации мощности. Зимой, в особенно сложном режиме с низкими углами солнца и быстрыми колебаниями, модель сокращает некоторые показатели ошибки более чем вдвое по сравнению со стандартным Transformer и явно превосходит рекуррентные сети. Лето в целом проще для большинства моделей, но MKAN-iTransformer по‑прежнему даёт наименьшие квадратичные ошибки, то есть лучше подавляет редкие крупные промахи. Тщательные абляционные исследования показывают, что использование только MKAN или только iTransformer не полностью объясняет эти улучшения; именно их сочетание — многомасштабность во времени плюс внимание между переменными — обеспечивает наибольшую стабильность по сезонам.

Открытие «чёрного ящика» для операторов энергосетей

Помимо чистой точности, авторы подчёркивают интерпретируемость. Поскольку MKAN строит предсказания из сумм простых изученных функций, их можно визуализировать, чтобы показать, как модель реагирует на входы на разных уровнях, например при низкой или высокой освещённости. Многомасштабное разложение сигнала мощности демонстрирует, как разделяются и обрабатываются суточные тренды, среднесрочные погодные сдвиги и быстрые скачки из‑за облаков. Тем временем карты внимания iTransformer показывают, как меняется значимость переменных по сезонам: прямое солнце доминирует весной и зимой, тогда как влажность и некоторые показатели освещённости приобретают большую значимость летом и осенью. Эти визуальные инструменты помогают инженерам понять, почему модель ведёт себя так в разных атмосферных режимах, повышая доверие и облегчая диагностику при ошибках прогнозов.

Что это значит для будущего прогнозирования солнечной энергии

Говоря простыми словами, исследование показывает, что возможно создать прогноз солнечной энергии, который одновременно «широк» и «глубок»: широкий по охвату различных погодных сигналов и глубокий по многим временным шкалам, оставаясь при этом отчасти читаемым для человека. Для операторов сетей это может означать более надёжные 15-минутные прогнозы в течение года, меньше неожиданных колебаний в подаче и более эффективное использование накопителей и резервных источников. Для исследователей MKAN-iTransformer предлагает шаблон для сочетания интерпретируемых строительных блоков с мощными механизмами внимания, указывая путь к инструментам прогнозирования, которые не только точны, но и объясняют, как солнце, облака и атмосфера вместе формируют поток возобновляемой электроэнергии.

Цитирование: 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

Ключевые слова: прогнозирование солнечной энергии, фотовольтаические сети, моделирование временных рядов, сезонная изменчивость, интерпретируемый ИИ