Поскольку солнечная энергия играет все большую роль в мировом энергоснабжении, обеспечение точных прогнозов производства фотоэлектрической (PV) энергии имеет решающее значение для балансировки спроса и предложения энергии.
В новом исследовании, опубликованном в журнале Advances in Atmospheric Sciences, рассматривается, как машинное обучение и статистические методы могут улучшить эти прогнозы путем исправления ошибок в моделях погоды .
Прогнозы погоды являются ключевыми входными данными для моделей прогнозирования мощности фотоэлектрических систем, однако они часто содержат систематические ошибки, которые влияют на точность. Исследователи из Института статистики Технологического института Карлсруэ изучили различные способы улучшения этих прогнозов путем применения методов постобработки на различных этапах процесса прогнозирования.
В ходе исследования были проверены три стратегии: корректировка прогнозов погоды до ввода моделей фотоэлектрических установок, уточнение прогнозов мощности после ввода и использование машинного обучения для прогнозирования солнечной энергии непосредственно на основе данных о погоде.
«Прогнозы погоды неидеальны, и эти ошибки переносятся в прогнозы солнечной энергетики», — сказала Нина Хорат, ведущий автор исследования. «Внося изменения в прогнозы на разных этапах, мы можем значительно улучшить качество прогнозирования производства солнечной энергии ».
Результаты показывают, что постобработка улучшает прогнозы солнечной энергии больше всего, когда применяется к прогнозам мощности, а не к погодным данным. Хотя модели машинного обучения обычно превосходят традиционные статистические методы, их преимущество в этом случае было ограничено — вероятно, из-за доступных входных данных. Исследование также показало, что включение часа дня в качестве фактора имеет решающее значение для точности.
«Одним из наших самых важных выводов было то, насколько важно время суток», — сказал Себастьян Лерх, соавтор исследования. «Мы увидели значительные улучшения, когда обучали отдельные модели для каждого часа дня или вводили время непосредственно в алгоритмы».
Один многообещающий подход полностью обходит традиционные модели PV, используя алгоритм машинного обучения для прогнозирования солнечной энергии непосредственно из погодных данных. Этот метод дает практическое преимущество: он не требует детального знания конструкции солнечной электростанции, хотя для обучения ему нужны исторические данные о погоде и производительности.
Исследование открывает возможности для будущих исследований по дальнейшему совершенствованию подходов машинного обучения, интеграции дополнительных погодных переменных и распространению анализа на несколько солнечных электростанций.
Поскольку возобновляемые источники энергии продолжают расти, совершенствование методов прогнозирования будет иметь ключевое значение для обеспечения стабильной и эффективной энергосистемы.
