Репортаж от Wedoany，Исследовательская группа Университета штата Северная Каролина (NC State) с помощью интеграции нескольких прогностических моделей повысила точность суточного прогноза солнечной генерации до 13% по сравнению с наиболее стабильной одиночной моделью, а также обнаружила, что региональная адаптивность прогностических моделей существенно влияет на их практическую эффективность.
Солнечная энергетика быстро развивается благодаря возобновляемости и широкой распространённости, однако её выработка зависит от доступности солнечного света и отличается высокой волатильностью, что создаёт вызовы для балансирования спроса и предложения электроэнергии. Коммунальным предприятиям требуются точные суточные прогнозы для заблаговременного планирования графиков генерации. Автор-корреспондент статьи, постдокторант Университета штата Северная Каролина Йен-Хси Чоу, отметил, что растущая популярность солнечной энергии усложняет прогнозирование спроса и предложения, поскольку доступность солнечного света не всегда стабильна. Соавтор статьи, доцент кафедры гражданского, строительного и экологического строительства Андерсон Де Кейруш, указал, что с ростом уровня проникновения солнечной энергии неопределённость прогнозов стала ключевым фактором для энергетических планировщиков и системных операторов при балансировании спроса и предложения, а объединение нескольких моделей машинного обучения может обеспечить более надёжные прогнозы и способствовать повышению надёжности интеграции солнечной энергии в энергосистему.
Исследовательская группа рассмотрела два класса подходов к моделированию: статистические модели, выявляющие исторические закономерности, и методы искусственных нейронных сетей, подходящие для понимания нелинейных временных зависимостей. Из них команда отобрала семь моделей для тестирования и провела валидацию с использованием данных о погоде и электроэнергии за 2019–2022 годы от двух коммунальных предприятий Калифорнии — Imperial Irrigation District (IID) и Los Angeles Department of Water and Power (LADWP).
Результаты анализа показали, что ни одна одиночная модель не показала наилучших результатов во всех сценариях. Команда выбрала наиболее стабильную модель BiLSTM в качестве базовой и повысила производительность путём интеграции прогнозов нескольких одиночных моделей, в некоторых случаях улучшение превысило 10%. Методы интеграции были двух типов: метод взвешенного среднего объединял прогнозы моделей, обученных отдельно для разных локаций, присваивая более высокие веса моделям с лучшими показателями; метод множественного входа позволял каждой модели использовать данные о погоде из нескольких локаций.
Эффективность двух методов интеграции различалась в зависимости от региона: метод взвешенного среднего обеспечил повышение точности прогноза для IID до 11%, а метод множественного входа — до 13% для LADWP.
Де Кейруш отметил, что не существует универсальной прогностической стратегии, которая одинаково хорошо работала бы во всех регионах; понимание особенностей каждого региона и использование информации из нескольких моделей и локаций являются ключевыми для разработки прогностических инструментов, которые обеспечивают как точность, так и поддержку операционных решений в энергосистеме. Чоу добавил, что методы интеграции действительно обладают потенциалом для дальнейшего улучшения прогнозов по сравнению с одиночными моделями, однако требуют тестирования и тонкой настройки применительно к конкретному региону использования.
Исследование опубликовано в журнале Journal of Cleaner Production и частично финансировалось Национальным научным фондом США (National Science Foundation), номер гранта 2412711. Среди других участников — докторант кафедры электротехники и вычислительной техники Арундхути Халдар и бывший аспирант кафедры компьютерных наук Шубх Нисар.
