Прогнозирование фотоэлектрической выработки на основе стратегии вторичного разложения и гибридной модели

Почему важны более точные солнечные прогнозы

По мере того как всё больше домов, предприятий и коммунальных служб подключаются к солнечной энергии, электросеть сталкивается с новой задачей: солнечное освещение далеко не стабильно. Проплывающие облака, смена сезонов и изменчивая погода могут вызывать резкие колебания выработки от минуты к минуте. Операторам сетей необходимо при этом поддерживать подачу электроэнергии и безопасность оборудования, поэтому им требуются очень точные и быстрые прогнозы того, сколько электроэнергии произведут солнечные панели в ближайшие минуты. В этом исследовании предложен новый способ сделать такие сверхкраткосрочные прогнозы значительно более точными, что помогает сетям работать более плавно и эффективнее использовать чистую энергию.

Неровная дорога солнечной энергии

Солнечные электростанции преобразуют солнечный свет непосредственно в электричество без движущихся частей, топлива или дымоходов. Это делает их чистыми и надёжными в течение многих лет — но не всегда предсказуемыми от момента к моменту. Их выработка сильно зависит от местной погоды: облака, дымка, температура, влажность и ветер могут сдвигать мощность вверх или вниз. Для операторов сетей, которые постоянно балансируют спрос и предложение, такая изменчивость усложняет и удорожает планирование резервных мощностей, батарей и резервов. Существующие методы прогнозирования опираются либо на физические модели погоды и панелей, либо на статистические формулы и методы машинного обучения. Хотя они неплохо работают на горизонтах в часы или дни, им часто трудно уловить быстрые, резкие колебания, важные для поминутного управления.

Разделение шумного сигнала на более чистые части

Авторы решают эту проблему, сначала преобразуя сырые данные о солнечной мощности до этапа обучения. Вместо того чтобы подавать один шумный кривой мощности в одну большую модель, они разбивают сигнал на несколько более простых составляющих, каждая из которых отражает разные типы поведения. Продвинутая техника, называемая CEEMDAN, разлагает исходный временной ряд мощности на несколько компонент с различными ритмами. Эти составляющие затем группируются в две семьи: быстрые, дрожащие флуктуации и более медленные, сглаженные тренды. Самые беспокойные компоненты проходят вторую стадию уточнения с помощью другого метода (VMD), параметры которого теперь подбираются не наугад, а автоматически оптимизируются схемой, вдохновлённой охотничьим поведением одного вида птиц. Этот двухэтапный процесс «разложения» превращает запутанную, труднопредсказуемую кривую в более чистые подсигналы, с которыми проще работать.

Две специализированные траектории обучения

После того как сигнал солнечной мощности разделён на высокочастотные и низкочастотные компоненты, модель назначает каждой группе отдельный инструмент обучения, соответствующий её характеру. Высокочастотные компоненты, которые быстро меняются и могут дрейфовать со временем, передаются лёгкому алгоритму, который может обновляться онлайн по мере поступления новых данных. Такая конструкция помогает ему быстро адаптироваться к внезапным изменениям, например к движению облачной «полосы» над солнечной фермой. Низкочастотные компоненты, описывающие более широкие подъёмы и спады мощности в течение дня, подаются в гибридную систему, сочетающую сеть, распознающую шаблоны, с резервуарной архитектурой, обладающей памятью. Одна часть фокусируется на выявлении форм в коротких оконных отрезках данных, а другая отслеживает, как эти формы эволюционируют со временем. Наконец, прогнозы из обеих ветвей складываются, образуя единый прогноз на следующий момент времени.

Тестирование под разным небом

Чтобы проверить работоспособность схемы в реальных условиях, исследователи применили её к данным с двух очень разных солнечных установок: одной в Нинся, Китай, и другой в австралийской пустыне. Эти площадки испытывают разные климатические условия и сезоны, что создаёт жёсткое испытание для гибкости метода. Прогнозы новой модели сравнили с широким кругом современных конкурентов, включая популярные подходы глубокого обучения, такие как рекуррентные сети, временные свёртки и современные решения на базе Transformer. По всем метрикам точности, а особенно в улавливании резких подъёмов и падений, гибридная схема «разложение плюс обучение» показала лучшие результаты. В одном ключевом тесте она объясняла примерно 99,7% вариации в выходной мощности, при этом существенно снижая типичные ошибки по сравнению с сильнейшими базовыми моделями.

Что это означает для сети

Проще говоря, исследование показывает, что рассмотрение солнечной выработки как смеси быстрой «шумихи» и медленных трендов — и назначение каждой части специализированного двигателя прогнозирования — может дать гораздо более надёжные поминутные предсказания, чем универсальные модели. Для операторов сетей более точные прогнозы означают меньше неожиданностей, меньше потерь резервной энергии и большую уверенность при опоре на солнечную энергию как на значимый ресурс. Со временем такие более продвинутые прогнозы могут сократить эксплуатационные расходы, уменьшить вынужденное ограничение подачи чистой энергии и помочь сетям поглощать ещё большие доли возобновляемых источников без потери устойчивости.

Цитирование: Xue, S., Li, L. Photovoltaic power forecasting based on secondary decomposition strategy and hybrid model. Sci Rep 16, 12915 (2026). https://doi.org/10.1038/s41598-026-42896-z

Ключевые слова: прогнозирование солнечной энергии, фотоэлектрическая энергия, умная сеть, интеграция возобновляемых источников, моделирование временных рядов