Непараметрический адаптивный конформный вывод для вероятностного почасового прогнозирования мощности солнечных фотоэлектрических установок

Почему точные солнечные прогнозы важны

По мере того как всё больше домов, предприятий и энергокомпаний переходят на солнечные панели ради чистой энергии, электросетям приходится управлять ресурсом, который меняется с каждой пробежкой облака. Операторам сетей нужно знать не только, сколько солнечной энергии, вероятно, будет через час, но и насколько надёжен этот прогноз. В этой статье представлен новый способ добавления «погрешностей» к краткосрочным прогнозам солнечной генерации, чтобы планировщики могли держать свет включённым, одновременно полагаясь на солнце с большей уверенностью.

От одиночной оценки к прогнозам, основанным на риске

Традиционные солнечные прогнозы часто сводят будущее к одному числу, например «2,5 киловатта через час». На самом деле выходная мощность солнечных панелей колеблется вместе с погодой и временем суток, а решения в сети — например, сколько резервной генерации запланировать — зависят от нашей уверенности в этих числах. Современные подходы поэтому используют вероятностное прогнозирование: вместо одного значения они дают диапазон вероятных исходов и указывают, как часто истинное значение должно попадать в этот диапазон. В исследовании рассматриваются почасовые прогнозы для крышных панелей в университете во Вроцлаве (Польша) с использованием пятилетних исторических данных. Цель — получить предсказательные интервалы, которые одновременно надёжны (содержат истинную мощность большую часть времени) и остры (интервалы как можно уже, без бесполезно широких границ).

Умнее регулировать неопределённость

Основной рассматриваемый здесь метод — адаптивный конформный вывод (Adaptive Conformal Inference, ACI). Проще говоря, ACI оборачивает любую модель прогнозирования — в данной работе это глубокая сеть типа stacked LSTM — и анализирует недавние ошибки прогнозов, чтобы решить, насколько широким должен быть следующий предсказательный интервал. Если недавние прогнозы были промахами, ACI автоматически расширяет интервал; если они точны, он его сужает. Стандартный ACI, однако, предполагает, что данные меняются сглаженно во времени. Солнечная генерация так не ведёт себя: каждую ночь выход падает до нуля, а первые утренние лучи мало похожи на то, что было вечером. Этот суточный режим «вкл/выкл» может вызвать дрейф параметра подстройки ACI, что со временем раздувает интервалы.

Сброс параметров каждый день для чистого старта

Чтобы устранить это несоответствие, авторы предлагают простую, но эффективную идею: сбрасывать внутренний параметр «непокрытия» ACI в начале каждого дня. Концептуально это означает, что алгоритм забывает длинные малоинформативные ночные часы и перенастраивается, опираясь только на поведение в дневное время. Базовый LSTM по‑прежнему учит шаблоны на многолетних данных, включая сезонные изменения и типичные дневные формы, но слой ACI больше не позволяет ночным нулям искажать оценку неопределённости. Такой ежедневный сброс предотвращает чрезмерное увеличение интервалов после последовательностей малоинформативных периодов и позволяет методу быстро адаптироваться к условиям освещённости каждого дня — будь то ясно, облачно или сильно переменно.

Как новый метод показывает себя в сравнении

Исследование сравнивает четыре способа выражения неопределённости вокруг солнечных прогнозов: модифицированный ACI, глубокая модель, обученная предсказывать несколько квантилей напрямую (Deep Quantile Regression), байесовская версия LSTM, которая оценивает неопределённость внутри модели, и мощный алгоритм на деревьях решений CatBoost, настроенный на квантильное предсказание. Тестирование проводится на одном годе неиспользованных при обучении данных. Модифицированный ACI достигает наивысшей надёжности: его интервалы содержат истинную мощность примерно в 91% случаев, что близко к целевому уровню, при этом ширина интервалов остаётся умеренной. Байесовский LSTM занимает второе место по надёжности, но выдаёт несколько более широкие интервалы. CatBoost даёт самые узкие интервалы, но чаще промахивается, недооценивая неопределённость. Deep Quantile Regression показывает худшие результаты в целом, сочетая низкое покрытие с более широкими интервалами и более высокими штрафными метриками. Важно, что улучшенный ACI демонстрирует сильные результаты при добавлении лишь небольшой вычислительной нагрузки поверх базовой LSTM-модели.

Что это значит для будущих солнечных сетей

Практически это исследование показывает, что более аккуратная работа с суточным ритмом может заметно улучшить качество оценок рисков солнечной генерации. Сбрасывая калибровку каждое утро, модифицированный ACI предоставляет доверительные полосы, которые одновременно заслуживают доверия и достаточно узки, что облегчает операторам сетей и менеджерам по энергии планирование резервов, торговлю энергией и интеграцию большего объёма солнечной генерации без излишней реакции на неопределённость. Поскольку ACI не зависит от конкретной модели и не опирается на детальные погодные прогнозы, авторы утверждают, что схема ежедневного сброса может быть широко применена к другим солнечным установкам и инструментам прогнозирования, предлагая надёжный, основанный на данных способ сделать солнце более предсказуемым партнёром в энергосистемах будущего.

Цитирование: Suresh, V., Revathi, B.S. & Guerrero, J.M. A non-parametric adaptive conformal inference based probabilistic hour-ahead solar PV power forecasting method. Sci Rep 16, 11730 (2026). https://doi.org/10.1038/s41598-026-40911-x

Ключевые слова: прогнозирование солнечной энергии, вероятностное предсказание, квантование неопределённости, конформный вывод, сети возобновляемой энергии