Maskininlärningsbaserad prognos för direkt normalstrålning (DNI) med satellitdata för koncentrerad solkraft (CSP) med värmelagring (TES)

Varför det spelar roll att förutse soltimmar

När fler länder vänder sig till solen för att förse hem och industrier med kraft uppstår en viktig fråga: hur håller vi elen igång när himlen förändras från minut till minut? Koncentrerade solkraftverk, som använder speglar för att fokusera solljuset och lagra värme, kan leverera elektricitet även efter skymning. Men för att driva dem effektivt och kostnadseffektivt måste driftoperatörerna veta i förväg hur stark solstrålningen kommer att bli. Denna studie visar hur kostnadsfri vädersatellitdata och modern maskininlärning kan leverera praktiska, prisvärda prognoser för soltillgång skräddarsydda för dessa nästa generations solkraftverk.

Att omsätta rymdbilder till användbara solprognoser

Forskarlaget fokuserar på en nyckelstorhet kallad direkt normalstrålning, eller DNI — den del av solljuset som färdas i nästan rät linje och som kan koncentreras med speglar. Till skillnad från vanliga solpaneler förlitar sig dessa kraftverk nästan uteslutande på DNI, vilket är mycket känsligt för moln, fukt och partiklar i luften. Istället för att installera kostsamma markkameror och instrument på varje plats använder teamet data från den geostationära Himawari-8-satelliten, som bevakar stora delar av Asien från rymden var tionde minut. Ur denna ström av bilder och härledda produkter samlar de 17 variabler, inklusive olika mått på solljus, molntyp, vattenånga, temperatur och solens vinkel, och matar dem in i maskininlärningsmodeller tränade för att förutsäga kommande DNI 30 minuter upp till 6 timmar framåt.

Smarta algoritmer som lär av himlen

För att hitta det bästa prognosverktyget testar författarna 24 olika maskininlärningsmetoder och jämför deras noggrannhet, hastighet och beräkningskostnad. De finner att en teknik kallad Ensemble Bagging Regression utmärker sig för mycket kortsiktiga prognoser, särskilt vid 30-minutershorisonten, där den fångar upp fina detaljer i senaste förändringarna. För längre ledtider utmärker sig en exponentiell Gaussisk processregressionsmodell. Denna modell förutser inte bara framtida DNI utan ger också en inbyggd osäkerhetsbedömning, vilket är värdefullt för planering. Över prognoshorisonter upp till sex timmar behåller den bästa modellen stark prestanda, med fel små nog att tas upp av den naturliga buffringskapaciteten i termiska lagringssystem i koncentrerade solkraftverk.

Att läsa vädrets dolda signaler

Bortom noggrannhet vill teamet förstå vad som driver modellens prognoser. De använder en förklarbar AI-teknik känd som SHAP, som tilldelar varje indatavariabel ett bidrag till prognosen, ungefär som att rättvist dela notan mellan middagsgäster. Denna analys visar att solens vinkel på himlen och molnrelaterade egenskaper är de mest inflytelserika faktorerna över många tidsintervaller. Klar-himmel-varianter av solljusmått — hur strålningen skulle vara utan moln — spelar också en stor roll, tillsammans med temperaturen och enkla tidigare DNI-värden med korta fördröjningar. Fuktig luft, ozon och relativ luftfuktighet tenderar att minska förväntat solsken, särskilt under fuktiga sommarmånader, medan klara, torra förhållanden i sen vinter och tidig vår ökar det. Dessa insikter försäkrar operatörerna om att modellen svarar på fysiskt rimliga signaler snarare än dolda egenheter i data.

Från slätplaner till bergsdalar

Ett viktigt test är om en modell tränad på ett ställe kan litas på på andra platser. Författarna tränar sitt system på en plats i Bhagalpur, Indien, och tillämpar det sedan på fem ytterligare platser i Sydasien, från lågslagna slätter till Himalayas fotberg. På plattare terränger, såsom Jhansi och Kharagpur, förblir prognoserna mycket pålitliga, med stabila felnivåer och liten systematisk över- eller underskattning. I kontrast uppvisar stationer i mer kuperad eller komplex terräng, såsom Makalu i Himalaya, större svängningar i noggrannhet och bias vid vissa tidsfördröjningar. Dessa mönster tyder på att lokal topografi och unikt väderbeteende — som snabb molnbildning kring berg — kan utmana en rent satellitbaserad modell och kan kräva extra anpassning.

Vad detta betyder för framtidens solkraft

För driftoperatörer av koncentrerade solkraftverk med värmelagring levererar studien ett praktiskt budskap: de kan kanske klara sig utan den dyraste, ultraprecisa prognosutrustningen för att driva sina anläggningar effektivt. Tack vare den naturliga utjämningen som termisk energilagring ger kan en väl utformad satellitbaserad modell med måttliga fel ändå stödja trygg planering av elproduktion för de kommande timmarna. Genom att förlita sig på kostnadsfri, täckande satellitdata och tolkbar maskininlärning erbjuder detta tillvägagångssätt ett skalbart sätt att sänka kostnader och priset på sol-el över solrika regioner, särskilt i Sydasien. Med ytterligare förfiningar som tar hänsyn till berg, aerosoler och lokala vädermönster skulle sådana prognossystem kunna bli en grundteknologi för ett mer tillförlitligt, soldrivet elnät.

Citering: 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

Nyckelord: solprognoser, koncentrerad solkraft, satellitdata, maskininlärning, värmelagring