Tolkbar extremkorttidsprognos för solenergi med flerskalig tidsmodellering och variabelvis uppmärksamhet

Varför prognoser i minuter för solkraft är viktiga

När en större andel el kommer från solpaneler måste nätoperatörer ständigt balansera hur mycket energi som produceras med hur mycket som används. Plötsliga moln, säsongsförändringar och växlande väder kan få solproduktionen att hoppa upp eller ner på några minuter, vilket hotar den balansen. Denna artikel introducerar ett nytt sätt att förutsäga effekten från en stor solpark 15 minuter framåt, med målet att hålla prognoserna precisa över alla fyra årstider samtidigt som modellens resonemang blir lättare för människor att granska.

Se mönster i sol och väder över många tidsskalor

Solkraftens produktion formas av rytmer som utvecklas över minuter, timmar och månader: solens dagliga upp- och nedgång, korta molnperioder och gradvisa säsongsförändringar. Traditionella prognosverktyg fokuserar ofta på bara en av dessa tidsskalor eller blandar ihop dem, vilket kan leda till stora fel när förhållandena ändras snabbt. Den första delen av det föreslagna systemet, kallad Multi-Scale Kolmogorov–Arnold Network (MKAN), hanterar detta genom att dela upp historiska data i överlappande bitar av olika längd. Varje bit passerar genom en liten, flexibel matematisk modul som lär sig hur effekten reagerar på det senaste mönstret på just den skalan. Dessa skal­specificerade vyer sys sedan ihop till en rik sammanfattning av hur solparken har uppträtt under den senaste tiden.

Låta vädervariabler "prata" med varandra

Solkraft beror inte på en enda mätning som ljusintensitet; den uppstår ur komplexa samspel mellan flera faktorer, inklusive direkt och diffus strålning, temperatur, luftfuktighet, tryck och anläggningens egen senaste produktion. Den andra delen av ramverket, kallad iTransformer, är utformad för att fånga dessa interaktioner genom att behandla varje variabel som sin egen "token" i en konversation. Istället för att skanna tidssteg för tidssteg ser iTransformer över variabler och använder en uppmärksamhetsmekanism för att avgöra vilka som ska påverka varandra mest för en given prognos. Detta variabelvisa fokus gör det lättare att avslöja, till exempel, när luftfuktighet starkt påverkar solens effekt eller när modellen lutar sig tungt på den senaste effektutgången eftersom vädret är ostadigt.

Kombinera de två idéerna i en enda prognosmotor

Författarna kopplar MKAN och iTransformer i följd för att bilda MKAN-iTransformer-modellen. Först omvandlar MKAN den råa historiken med 15-minutersupplösning för väder och effekt till flerskaliga tidsfunktioner som separerar snabba fluktuationer från mjukare trender. Därefter tar iTransformer dessa funktioner och använder sin uppmärksamhetsmekanism för att väva ihop information från olika variabler och producera en slutlig skattning av anläggningens effekt 15 minuter framåt. Systemet tränas och testas på två års data från en 30 MW solpark i Kina, med endast mätningar under dagtid mellan 06:00 och 20:00. Data delas kronologiskt för varje säsong för att efterlikna verklig drift, och modellen jämförs med ett brett spektrum av alternativ, från klassiska rekurrenta nätverk till nyare Transformer-baserade konstruktioner och deras egna KAN-förstärkta varianter.

Hur väl det fungerar över vår, sommar, höst och vinter

I nästan alla säsonger och efter felmått presterar MKAN-iTransformer antingen lika bra som eller bättre än konkurrerande metoder. På vår och höst—när vädret förändras snabbt och effektkurvor formas av oregelbundna upp- och nedgångar—levererar den lägst kvadratiska fel och de minsta genomsnittliga misstagen, samtidigt som den förklarar över 94 % av variationen i effekt. På vintern, ett särskilt svårt regime med låga solvinklar och snabba svängningar, halverar modellen vissa felmått jämfört med en standard-Transformer och slår tydligt rekurrenta nätverk. Sommaren är något lättare för de flesta modeller, men MKAN-iTransformer ger fortfarande de lägsta kvadratiska felen, vilket innebär att den bättre dämpar stora, tillfälliga missar. Noga genomförda ablationsstudier visar att varken MKAN eller iTransformer ensam fullt ut förklarar dessa vinster; det är deras kombination—flerskalig timing plus kors‑variabel uppmärksamhet—som ger stabilast prestanda över årstider.

Öppna svart lådan för energihanterare

Bortom rå noggrannhet betonar författarna tolkbarhet. Eftersom MKAN bygger sina prognoser från summor av enkla inlärda funktioner kan dessa visualiseras för att visa hur modellen reagerar på indata på olika nivåer, som låg eller hög bestrålning. En flerskalig dekomposition av effektsignalen visar hur dags‑trender, medellånga väderskiften och snabba molninducerade hopp separeras och bearbetas. Samtidigt visar uppmärksamhetskartor från iTransformer hur viktningen mellan variabler skiftar med årstid: direkt solsken dominerar på vår och vinter, medan luftfuktighet och vissa bestrålningsmått blir mer framträdande på sommar och höst. Dessa visuella verktyg hjälper ingenjörer att förstå varför modellen beter sig som den gör under olika atmosfäriska förhållanden, vilket stöder förtroende och felsökning när prognoser går fel.

Vad detta betyder för solprognosers framtid

I vardagliga termer visar studien att det är möjligt att bygga en solprognos som är både "bred" och "djup": bred över olika vädersignaler och djup över flera tidsskalor, samtidigt som den förblir delvis läsbar för människor. För nätoperatörer kan detta innebära mer tillförlitliga 15‑minutersprognoser året runt, färre oväntade svängningar i tillgången och bättre användning av lagring och reservkraft. För forskare erbjuder MKAN-iTransformer en mall för att kombinera tolkbara byggstenar med kraftfulla uppmärksamhetsmekanismer, och pekar mot prognosverktyg som inte bara är precisa utan också förklarar hur sol, moln och atmosfär tillsammans formar flödet av förnybar el.

Citering: Liu, L., Liu, M., Han, Z. et al. Interpretable ultra-short-term photovoltaic power forecasting with multi-scale temporal modeling and variable-wise attention. Sci Rep 16, 10336 (2026). https://doi.org/10.1038/s41598-026-39797-6

Nyckelord: prognoser för solkraft, fotovoltaiska nät, tidsserie­modellering, säsongsvariation, tolkbar AI