Многозвенная модель краткосрочного прогноза фотогальванической мощности на основе усовершенствованного алгоритма миграции китов

Почему важно предсказывать выработку солнечной энергии

По мере того как всё больше домов, предприятий и городов переходят на солнечную энергию, знание того, сколько энергии произведут панели в ближайшие минуты или часы, становится критически важным. Если прогноз ошибочен, операторам сети приходится быстро принимать меры, чтобы поддерживать подачу электроэнергии, что ведёт к лишним расходам и иногда к использованию ископаемого топлива. В этой работе предложен более умный способ краткосрочного прогнозирования выработки солнечной энергии, который оказывается как более точным, так и более стабильным по сравнению со многими существующими методами.

Колебания солнечной выработки

Солнечные панели зависят от погоды. Проходящие облака, дымка, сезонные изменения и внезапные грозы заставляют вырабатываемую ими мощность резко меняться сложными образами. Традиционные инструменты прогнозирования либо опираются в значительной степени на упрощённые физические модели панелей, либо используют только исторические данные. Физические модели могут не учитывать реальные особенности, а чисто статистические методы испытывают трудности при зашумлённости данных или их высокой нерегулярности. В результате они часто плохо работают при быстрых изменениях освещённости — как раз тогда, когда операторам особенно нужны надежные прогнозы.

Разделение шумного сигнала на более чистые составляющие

Чтобы укротить этот хаос, авторы сначала очищают исходные данные о солнечной выработке перед попыткой прогнозирования. Они используют метод, называемый вариационной модальной декомпозицией, который разбивает исходную зубчатую кривую мощности на несколько более гладких компонент, каждая из которых отражает закономерности на разных временных масштабах. Такое разбиение снижает случайный шум и облегчает обнаружение скрытых регулярностей. Вместо того чтобы заставлять модель учиться по одной запутанной кривой, метод подаёт ей набор более чистых и стабильных строительных блоков.

Позволяя машинам находить закономерности и настраиваться самостоятельно

После декомпозиции сигнала исследование использует двухчастную систему обучения. Первая часть — одномерная сверточная нейронная сеть, хорошо обнаруживающая локальные шаблоны и тренды во временных рядах. Вторая часть — лёгкий механизм обучения под названием kernel extreme learning machine, который быстро преобразует извлечённые шаблоны в численные прогнозы. Вместе гибридная модель сочетает мощное распознавание паттернов с быстрым и эффективным прогнозированием. Однако её качество во многом зависит от нескольких ключевых внутренних настроек, известных как гиперпараметры, которые обычно трудно подбирать вручную.

Заимствование идей миграции китов для оптимизации модели

Чтобы автоматически выбирать эти важные настройки, авторы предлагают «усовершенствованный алгоритм миграции китов». Вдохновлённый тем, как горбатые киты перемещаются группами и исследуют океан, этот алгоритм рассматривает каждый кандидат-набор гиперпараметров как «кита», ищущего лучшие кормовые зоны. Он использует смесь широкого исследования и точечного локального поиска, с контролируемой случайностью и скачкообразными движениями, чтобы избежать застревания в плохих решениях. В ходе множества итераций «киты» мигрируют к комбинациям гиперпараметров, минимизирующим ошибку прогноза, по сути обучая модель автоматически подбиратъ свои настройки.

Проверка метода на практике

Авторы оценивают свой полный подход — объединяющий декомпозицию сигнала, гибридную модель обучения и оптимизатор, вдохновлённый поведением китов — на реальных данных с двух солнечных электростанций в Китае, мощностью 50 МВт и 35 МВт, учитывая зимние и летние периоды. Они сравнивают его с девятью альтернативами, включая стандартные нейронные сети, машины опорных векторов, одношаговые предикторы и более простые гибриды. Новая модель не только повторяет общие суточные кривые, но и гораздо точнее отслеживает резкие всплески и провалы. По нескольким метрикам ошибки она постоянно показывает меньшие отклонения и более плотное соответствие фактическим данным, с коэффициентами соответствия около 97% и 92% для двух объектов.

Что это означает для повседневного энергопотребления

Для неспециалистов основной вывод таков: авторы предлагают более надёжный «прогноз погоды» для самой солнечной генерации. Очищая данные, используя компактную, но мощную схему обучения и позволяя натуралистическому поисковому алгоритму тонко настраивать систему, они существенно улучшают краткосрочный прогноз того, сколько электроэнергии выдадут солнечные панели. Улучшенные прогнозы упрощают балансировку между возобновляемыми и традиционными источниками, снижают эксплуатационные расходы и поддерживают более чистую и устойчивую энергосистему. Та же стратегия может быть адаптирована и к другим сложным задачам прогнозирования — от ветровой энергетики до промышленных нагрузок и даже анализа медицинских сигналов.

Цитирование: Zhao, M., Wu, S. & Hu, Y. A multi-step short-term photovoltaic power prediction model based on an improved whale migration algorithm. Sci Rep 16, 10537 (2026). https://doi.org/10.1038/s41598-026-41673-2

Ключевые слова: прогнозирование солнечной энергии, фотовольтаическая энергия, машинное обучение, алгоритмы оптимизации, сеть возобновляемой энергии