Исследователи из Университета штата Северная Каролина продемонстрировали методы, способные повысить точность прогнозов солнечной генерации на сутки вперёд до 13% по сравнению с наиболее стабильно работающей одиночной моделью прогнозирования. Прогнозы на сутки вперёд особенно важны для операторов энергосистем, поскольку они служат основой для решений по рыночному планированию и диспетчеризации генерации — процессу, в ходе которого определяются электростанции, задействуемые для покрытия ожидаемого спроса, — принимаемых за 24 часа до операционных суток. Результаты, опубликованные в Journal of Cleaner Production, также подчёркивают критическую роль региональных переменных при проектировании точных моделей прогнозирования.

«По мере дальнейшего роста доли солнечной энергетики неопределённость прогнозирования становится ключевым фактором для энергетических аналитиков и операторов энергосистем, которым необходимо балансировать предложение и спрос», — отметил Андерсон де Кейрос, доцент кафедры гражданского строительства, строительства и охраны окружающей среды Университета штата Северная Каролина и соавтор исследования. «Наши результаты показывают, что объединение нескольких моделей на основе машинного обучения позволяет получать более надёжные прогнозы и способствует повышению надёжности интеграции солнечной энергии в электроэнергетические системы».

Для формирования базового уровня исследовательская группа сначала рассмотрела две широкие категории моделей прогнозирования: статистические модели, выявляющие исторические закономерности, и подходы на основе искусственных нейронных сетей, лучше подходящие для улавливания нелинейных временных зависимостей. Из этих категорий команда отобрала семь моделей для тестирования.

Модель оценивалась с использованием данных о погоде и солнечной генерации за период с 2019 по 2022 год, предоставленных двумя калифорнийскими энергокомпаниями: Империал Айригейшн Дистрикт (IID) и Департаментом водоснабжения и энергетики Лос-Анджелеса (LADWP). Калифорния занимает первое место в США по установленной мощности солнечной энергетики, что делает её особенно релевантной средой для изучения проблем прогнозирования, связанных с высокой долей солнечной генерации.

«Мы хотели использовать модели, чтобы найти взаимосвязь между данными о погоде и производством солнечной энергии», — рассказал Йен-Си Чжоу, постдок-исследователь Университета штата Северная Каролина и соответствующий автор статьи. «Но самым интересным результатом оказалось то, что ни одна модель не показала наилучший результат во всех случаях. Мы выбрали наиболее стабильно работающую модель BiLSTM в качестве базовой и обнаружили, что при объединении прогнозов различных одиночных моделей можно дополнительно повысить качество прогнозирования более чем на 10% в ряде случаев, что весьма впечатляет».

Исследователи протестировали два ансамблевых подхода. Первый — взвешенное усреднение — объединяет прогнозы от отдельно обученных моделей, специфичных для конкретной локации, и присваивает больший вес моделям с более высокими показателями. Второй, известный как multi-input, позволяет каждой модели использовать метеорологические данные из нескольких географических точек.

Результаты существенно различались в зависимости от региона. Взвешенное усреднение обеспечило улучшение до 11% для IID, тогда как подход multi-input дал улучшение прогнозирования до 13% для LADWP.

«Один из ключевых выводов этой работы заключается в том, что не существует универсальной стратегии прогнозирования, которая будет одинаково хорошо работать повсюду», — сказал де Кейрос. «Понимание характеристик каждого региона и использование информации из нескольких моделей и локаций имеет чрезвычайно важное значение для разработки инструментов прогнозирования, которые будут одновременно точными и полезными для поддержки принятия решений в реальных операциях энергосистем».

«В целом наши выводы показывают, что ансамблевые методы действительно обладают потенциалом для дальнейшего повышения качества прогнозов по сравнению с одиночной моделью, однако эти методы необходимо тестировать и настраивать для конкретного региона, в котором они будут применяться», — добавил Чжоу.

Исследование было частично поддержано Национальным научным фондом США. Дополнительные участники проекта от Университета штата Северная Каролина — Арундхути Халдар, аспирантка кафедры электротехники и вычислительной техники, и Шуб Нисар, бывший магистрант по специальности «Информатика».

Полная версия статьи доступна в Journal of Cleaner Production на ScienceDirect.