Исследование метода краткосрочного прогнозирования мощности фотогальваники на основе HPO-VMD-BiLSTM

Почему более точные прогнозы для солнца имеют значение

По мере того как все больше домов, предприятий и городов переходят на солнечные панели для получения чистой электроэнергии, возникает новая проблема: солнце нестабильно. Проходящие облака, смена сезонов и внезапные бури приводят к тому, что выработка солнечной энергии меняется из минуты в минуту. Операторам электросетей нужно балансировать спрос и предложение в реальном времени; если они не смогут предсказать эти колебания, это может привести к потере энергии, перегрузке оборудования или переходу на резервные электростанции на ископаемом топливе. В этой статье представлен более умный способ прогнозирования краткосрочной выработки солнечной электростанции, направленный на повышение надежности солнечной энергии и облегчение её интеграции в повседневные энергосистемы.

Увидеть полную картину меняющейся погоды

Солнечная генерация зависит не только от освещённости, но и от набора погодных условий: облачности, влажности, температуры и т.д. Многие существующие инструменты прогнозирования используют только один из этих сигналов, чаще всего суммарную освещённость, что упускает важные детали. Авторы начинают с построения богатого «портрета» погоды для каждого дня на солнечной электростанции в Элис-Спрингс, Австралия. Для каждого дня они вычисляют простые статистики — например, как часто бывают пики освещённости, насколько сильно она варьируется и насколько асимметрично распределены значения — для нескольких погодных переменных. Затем дни группируют по типам, таким как солнечный, облачный или дождливый, с помощью улучшенной версии стандартного метода кластеризации. Вместо того чтобы считать все погодные признаки одинаково важными, их метод меняет вес каждого признака в зависимости от того, насколько случайным или упорядоченным он является во времени. Это приводит к более реалистичным группам погоды и гарантирует, что модель прогнозирования обучается на действительно сопоставимых днях.

Сглаживание шумных солнечных сигналов

Даже внутри одного погодного типа данные о выработке солнечной энергии бугристые и нерегулярные. Небольшие облачные пятна или порывы ветра вносят резкие скачки, которые затрудняют обучению алгоритма стабильным закономерностям. Чтобы справиться с этим, исследование применяет шаг обработки сигналов, который разбивает исходные данные мощности на несколько более простых составляющих. Каждая составляющая отражает различные виды флуктуаций — от быстрых колебаний до медленных трендов. Ключевое нововведение в том, что алгоритм, выполняющий это разложение, больше не опирается на вручную подобранные параметры; вместо этого процесс поиска, вдохновлённый поведением хищник–жертва, автоматически выбирает оптимальный способ разбиения сигнала. Позволяя компьютеру адаптировать внутренние параметры к реальным данным, авторы уменьшают догадки и получают более чистые, стабильные компоненты для этапа прогнозирования.

Дать модели учиться на прошлом и будущем

После группировки данных по погоде и сглаживания в компоненты вступает механизм прогнозирования. Авторы используют тип нейронной сети, особенно подходящий для временных рядов, который читает данные в обоих направлениях по шкале времени. Проще говоря, эта модель учится тому, что сегодняшняя выработка зависит не только от того, что происходило непосредственно до данного момента, но и от закономерностей, которые становятся ясны позже в течение дня. Каждая разложенная компонента сигнала мощности вместе с ключевыми погодными входами подаётся в эту модель. Опять же метод поиска хищник–жертва используется для настройки внутренних параметров модели — например, числа нейронов и скорости обучения — чтобы она могла захватывать сложные взаимосвязи, не застревая в плохом решении и не переобучаясь на шум. Прогнозы для всех компонент затем объединяются в итоговый прогноз суммарной выработки солнечной энергии.

Проверка метода на практике

Команда протестировала свой подход на реальных данных с 5,8-киловаттного массива в Элис-Спрингс в течение двух лет, делая замеры мощности и погодных условий каждые пять минут. Они выбрали три репрезентативных дня — солнечный, облачный и дождливый — и обучали модель, используя несколько дней с очень похожими погодными паттернами. Новый метод сравнивали с рядом распространённых инструментов, включая традиционные нейронные сети, более простые модели временных рядов и другие смешанные подходы, которые использовали либо группировку по погоде, либо разложение сигнала по отдельности. Для каждого метода измеряли отклонение прогнозов от фактических значений мощности. По всем трём типам погоды новый гибридный метод сократил средние ошибки примерно на одну треть до почти половины по сравнению со стандартными моделями, при этом обучался быстрее, чем большинство более сложных альтернатив.

Что это означает для повседневного энергопотребления

Проще говоря, исследование показывает, что сочетание более умной группировки по погоде, аккуратной очистки сигналов и автоматически настроенной обучаемой модели делает краткосрочные прогнозы солнечной мощности как более точными, так и более устойчивыми. Для операторов сетей более качественные прогнозы означают возможность планировать с большей уверенностью, эффективнее включать и выключать другие электростанции и снижать потери. Для сообществ, инвестирующих в солнечную энергию, такого рода прогнозирование помогает сделать технологию более надёжной частью энергетического баланса. Хотя авторы отмечают, что в будущем потребуется изучить более разнообразные типы погоды и данные более низкого качества, их результаты указывают на инструменты прогнозирования, способные соответствовать темпам роста солнечной энергетики по мере её превращения из перспективного варианта в одну из центральных опор мировой электроэнергетики.

Цитирование: Li, J., Li, L., Du, Q. et al. Research on short-term prediction method of photovoltaic power based on HPO-VMD-BiLSTM. Sci Rep 16, 13541 (2026). https://doi.org/10.1038/s41598-026-44708-w

Ключевые слова: прогнозирование солнечной энергии, интеграция фотоэлектрики в сеть, прогнозирование энергии на основе погоды, машинное обучение для энергетики, устойчивость возобновляемой энергии