Прогнозирование прямой нормальной радиации (DNI) на основе машинного обучения с использованием спутниковых данных для станций концентрированной солнечной энергии (CSP) с тепловым накоплением (TES)

Почему важно предсказывать часы солнечного света

По мере того как все больше стран обращаются к солнцу для обеспечения электроэнергией домов и промышленности, встает серьезный вопрос: как поддерживать подачу энергии, когда небо меняется по минутам? Станции концентрированной солнечной энергии, которые используют зеркала для фокусировки солнечных лучей и хранения тепла, могут вырабатывать электричество даже после захода солнца. Но чтобы работать эффективно и экономично, операторам нужно заранее знать, насколько интенсивным будет солнце. В этом исследовании показано, как бесплатные метеоспутниковые данные и современные методы машинного обучения могут обеспечить практичные и доступные прогнозы солнечного излучения, адаптированные для этих установок нового поколения.

Как космические снимки превращают в полезные прогнозы солнечного света

Исследователи сосредотачиваются на ключевой величине — прямой нормальной радиации (DNI) — той части солнечного излучения, которая идет прямолинейно и может быть сконцентрирована зеркалами. В отличие от обычных солнечных панелей, эти станции практически полностью зависят от DNI, которая сильно чувствительна к облакам, влаге и частицам в воздухе. Вместо установки дорогостоящих наземных камер и приборов на каждом объекте команда использует данные геостационарного спутника Himawari-8, который наблюдает большую часть Азии каждые десять минут. Из потока изображений и производных продуктов они собирают 17 переменных, включая разные показатели солнечного излучения, типы облачности, водяной пар, температуру и угол солнца, и подают их в модели машинного обучения, обученные прогнозировать DNI на горизонты от 30 минут до 6 часов вперед.

Умные алгоритмы, которые учатся у неба

Чтобы найти лучший инструмент прогнозирования, авторы тестируют 24 различных подхода машинного обучения и сравнивают их по точности, скорости и вычислительной стоимости. Они обнаруживают, что метод под названием Ensemble Bagging Regression превосходит в очень краткосрочных прогнозах, особенно на горизонте 30 минут, где он улавливает тонкие детали недавних изменений. Для более отдаленных времен вперед особенно выделяется модель экспоненциального гауссовского процесса регрессии. Эта модель не только предсказывает будущую DNI, но и предоставляет встроенную оценку неопределенности, что ценно для планирования. На горизонтах до шести часов лучшая модель сохраняет высокую производительность с ошибками, достаточно малыми, чтобы их сглаживала естественная буферная способность тепловых накопителей в установках концентрированной солнечной энергии.

Чтение скрытых сигналов погоды

Помимо точности команда хочет понять, что управляет предсказаниями модели. Они используют метод объяснимого ИИ, известный как SHAP, который назначает каждой входной переменной вклад в прогноз, как если бы справедливо разделить счет на ужине. Такой анализ показывает, что угол солнца над горизонтом и характеристики облачности являются наиболее влиятельными факторами на многих временных горизонтах. Модели солнечного излучения для ясного неба — то, каким было бы излучение без облаков — также играют значительную роль, наряду с температурой и простыми прошлыми значениями DNI на коротких лагах. Влажный воздух, озон и относительная влажность, как правило, уменьшают ожидаемое солнечное излучение, особенно в влажные летние месяцы, тогда как ясные, сухие условия поздней зимы и ранней весны его усиливают. Эти выводы убеждают операторов, что модель реагирует на физически осмысленные сигналы, а не на скрытые артефакты данных.

От ровных равнин до горных долин

Ключевой тест — можно ли доверять модели, обученной в одном месте, в других районах. Авторы обучают свою систему на площадке в Бхагалпуре, Индия, затем применяют её в пяти дополнительных точках по Южной Азии, от низменных равнин до предгорий Гималаев. На более ровной местности, такой как Джханси и Кхарагпур, прогнозы остаются весьма надежными, с устойчивыми уровнями ошибок и небольшими систематическими смещениями. Напротив, станции в более сложном рельефе, например на Макалу в Гималаях, демонстрируют большие колебания точности и смещения на некоторых лагах. Эти закономерности указывают на то, что локальная топография и специфическое поведение погоды — например, быстрое образование облаков вокруг гор — могут усложнять работу исключительно спутниковой модели и потребовать дополнительной адаптации.

Что это значит для будущей солнечной энергетики

Для операторов станций концентрированной солнечной энергии с тепловым накоплением исследование даёт практичный вывод: им, возможно, не нужно самое дорогое и сверхточное оборудование для прогнозирования, чтобы эффективно управлять объектами. Благодаря естественному сглаживанию, которое обеспечивает тепловое накопление, хорошо спроектированная спутниковая модель с умеренными ошибками всё ещё может поддерживать уверенное планирование выработки энергии на ближайшие часы. Опираясь на бесплатные, широко охватывающие спутниковые данные и интерпретируемое машинное обучение, такой подход предлагает масштабируемый способ снизить затраты и снизить цену солнечной электроэнергии в регионах с большим количеством солнца, особенно в Южной Азии. С дальнейшими доработками, учитывающими горы, аэрозоли и местные погодные особенности, такие системы прогнозирования могут стать основой для более надежной, энергоснабжаемой солнцем сети.

Цитирование: Rathnayake, N., Wijewardane, S. Machine learning-based Direct Normal Irradiance (DNI) forecasting using satellite data for Concentrated Solar Power (CSP) plants with Thermal Energy Storage (TES). Sci Rep 16, 11257 (2026). https://doi.org/10.1038/s41598-026-41733-7

Ключевые слова: солнечное прогнозирование, концентрированная солнечная энергетика, спутниковые данные, машинное обучение, тепловое накопление энергии