En icke‑parametrisk adaptiv konform inferensbaserad probabilistisk metod för timvisa prognoser av sol‑PV‑effekt

Varför bättre solprognoser spelar roll

När fler hushåll, företag och kraftbolag vänder sig till solpaneler för ren el måste elnäten hantera en resurs som ändras för varje passerande moln. Nätoperatörer behöver inte bara veta hur mycket solkraft som sannolikt finns tillgänglig om en timme, utan också hur osäker den prognosen är. Den här artikeln presenterar ett nytt sätt att sätta ”felstaplar” kring korttidsprognoser för solkraft så att planerare kan hålla lamporna tända samtidigt som de litar mer på solen.

Från enkla gissningar till riskmedvetna prognoser

Traditionella solprognoser kokar ofta ner framtiden till ett enda tal, till exempel ”2,5 kilowatt nästa timme.” I verkligheten varierar solproduktionen med väder och tid på dygnet, och nätbeslut—som hur mycket reservkraft som ska schemaläggas—beror på hur säkra vi är på dessa siffror. Moderna tillvägagångssätt använder därför probabilistisk prognostisering: istället för ett värde levererar de ett intervall av sannolika utfall tillsammans med en indikation på hur ofta det sanna värdet bör falla inom det intervallet. Denna studie fokuserar på timprognoser för takmonterade paneler vid ett universitet i Wrocław, Polen, med fem års historiska data. Målet är att producera prediktionsintervall som både är tillförlitliga (de innehåller det verkliga värdet det mesta av tiden) och skarpa (intervallen är så smala som möjligt och undviker meningslöst breda intervall).

En smartare metod för att justera osäkerhet

Den centrala teknik som utforskas här är Adaptive Conformal Inference, eller ACI. Enkelt uttryckt omsluter ACI vilken prognosmodell som helst—här ett djupinlärningsnätverk kallat en staplad LSTM—och tittar på senaste prognosfelen för att avgöra hur brett nästa prediktionsintervall ska vara. Om de senaste prognoserna har missat målet vidgas intervallet automatiskt; om de varit träffsäkra dras intervallet åt. Standard‑ACI antar dock att data förändras smidigt över tiden. Solkraft gör inte det: varje natt sjunker produktionen till noll, och de första morgonstrålarna liknar knappast vad som skedde föregående kväll. Detta dygnsvisa stop‑and‑start‑mönster kan få ACIs justeringsparameter att driva, vilket över tid blåser upp intervallen.

Återställning varje dag för en nystart

För att åtgärda detta missförhållande introducerar författarna en enkel men kraftfull variant: de återställer ACIs interna ”misscoverage”-parameter i början av varje dag. Begreppsmässigt säger detta åt algoritmen att glömma de långa, händelselösa mörkertimmarna och omkalibrera baserat endast på dagtidsbeteendet. Bas‑LSTM:n lär sig fortfarande mönster från år av data, inklusive säsongsvariationer och typiska dagliga former, men ACI‑lagret tillåter inte längre att nattliga nollor förvrider dess uppfattning om osäkerhet. Denna dagliga återställning hindrar intervallen från att bli onödigt stora efter sekvenser av låg‑informationsperioder och gör att metoden snabbt kan anpassa sig till varje dags ljusförhållanden, vare sig det är klart, molnigt eller mycket variabelt.

Hur den nya metoden står sig

Studien jämför fyra sätt att uttrycka osäkerhet kring solprognoser: den modifierade ACI, en djup modell tränad för att direkt förutsäga flera kvantiler (Deep Quantile Regression), en bayesiansk version av LSTM som skattar osäkerhet internt, samt en kraftfull träd‑baserad algoritm kallad CatBoost anpassad för kvantilprediktion. Tester körs på ett års out‑of‑sample‑data. Den modifierade ACI uppnår högst tillförlitlighet, med intervall som innehåller den verkliga effekten cirka 91 % av tiden, nära det avsedda målet, samtidigt som intervallets bredd hålls måttlig. Den bayesianska LSTM:n kommer på andra plats i tillförlitlighet men ger något bredare intervall. CatBoost levererar de snävaste intervallen men missar de verkliga värdena oftare och underskattar osäkerheten. Deep Quantile Regression presterar sämst sammantaget, med både lägre täckning, bredare intervall och högre straffpoäng. Viktigt är att den förbättrade ACI uppnår sin starka prestanda med endast en liten extra beräkningskostnad ovanpå bas‑LSTM‑modellen.

Vad detta betyder för framtidens solnät

I praktiska termer visar arbetet att bättre hantering av dygnsrytmen kan märkbart förbättra kvaliteten på riskuppskattningar för solkraft. Genom att återställa sin kalibrering varje morgon ger den modifierade ACI‑metoden konfidensband som både är pålitliga och relativt smala, vilket gör det enklare för nätoperatörer och energihanterare att planera reserver, handla el och integrera mer sol utan att överreagera på osäkerhet. Eftersom ACI är modell‑agnostisk och inte förlitar sig på detaljerade väderprognoser menar författarna att detta dagliga återställningsschema kan tillämpas brett på andra solanläggningar och prognosverktyg, och erbjuda ett robust, datadrivet sätt att göra solen till en mer förutsägbar partner i morgondagens energisystem.

Citering: Suresh, V., Revathi, B.S. & Guerrero, J.M. A non-parametric adaptive conformal inference based probabilistic hour-ahead solar PV power forecasting method. Sci Rep 16, 11730 (2026). https://doi.org/10.1038/s41598-026-40911-x

Nyckelord: prognoser för solenergi, probabilistisk prediktion, osäkerhetskvantifiering, konform inferens, förnybara energinät