Połączenie modeli zmniejszyło błąd prognoz produkcji energii słonecznej nawet o 13 proc.

Zespół North Carolina State University wykazał w badaniu opublikowanym w „Journal of Cleaner Production”, że połączenie prognoz kilku modeli uczenia maszynowego może ograniczyć średni błąd bezwzględny dobowej prognozy produkcji energii słonecznej maksymalnie o około 13 proc. względem modelu Bi-LSTM. Wynik uzyskano w analizie ponad 20 tys. godzin danych dwóch kalifornijskich przedsiębiorstw energetycznych. Najskuteczniejsza metoda zależała jednak od regionu i pory roku.

Dlaczego potrzebne są prognozy na dobę naprzód?

Według Międzynarodowej Agencji Energii globalna produkcja energii z fotowoltaiki wzrosła w 2025 r. o 620 TWh, co było największym rocznym przyrostem w historii. Im większy udział źródeł zależnych od pogody, tym ważniejsza staje się informacja o tym, ile energii trafi do sieci następnego dnia.

Operator musi stale równoważyć produkcję z zapotrzebowaniem. Jak wyjaśnia Departament Energii Stanów Zjednoczonych, prognoza dobowa pomaga wcześniej zaplanować pracę elektrowni sterowalnych i rezerwy mocy, ograniczając ryzyko kosztownego nadmiaru albo niedoboru energii. Jest to jeden z przykładów tego, jak sztuczna inteligencja i energetyka łączą się w systemach opartych na danych. Ma to szczególne znaczenie w scenariuszach zakładających bardzo wysoki udział odnawialnych źródeł energii.

Dwa sposoby łączenia modeli

.Badacze porównali siedem modeli statystycznych i modeli opartych na sztucznych sieciach neuronowych. Wykorzystali dane pogodowe i informacje o produkcji energii z lat 2019–2022 z Imperial Irrigation District oraz Los Angeles Department of Water and Power. Żaden pojedynczy model nie osiągał najlepszych wyników we wszystkich przypadkach. Jako punkt odniesienia wybrano Bi-LSTM – dwukierunkową sieć przeznaczoną do analizy zależności w szeregach czasowych, która uzyskiwała najbardziej stabilne rezultaty.

Następnie przetestowano dwa podejścia zespołowe. Średnia ważona łączyła prognozy modeli trenowanych oddzielnie dla konkretnych lokalizacji i przyznawała większą wagę tym, które wcześniej radziły sobie lepiej. Podejście wielowejściowe, określane jako multi-input, umożliwiało wykorzystywanie danych pogodowych pochodzących z wielu miejsc.

W przypadku Imperial Irrigation District średnia ważona przyniosła w najkorzystniejszych sezonach około 11-procentową poprawę wskaźnika skill score obliczanego na podstawie średniego błędu bezwzględnego. Dla Los Angeles Department of Water and Power podejście wielowejściowe osiągnęło poprawę do około 13 proc.

Wynik zależy od regionu

.Wartości 11 i 13 proc. nie oznaczają wzrostu „trafności” o tyle punktów procentowych ani stałej poprawy przez cały rok. Są to maksymalne wyniki względnego zmniejszenia błędu wobec modelu bazowego, uzyskane w analizie sezonowej.

Badanie miało charakter retrospektywny i objęło dwa systemy w Kalifornii. Publikacja nie opisuje operacyjnego wdrożenia metody u tych przedsiębiorstw, dlatego wyników nie należy automatycznie przenosić na inne rynki. Autorzy podkreślają, że modele trzeba testować i dostrajać do warunków konkretnego regionu.

Dokładniejsze prognozy pozostają jednym z elementów elastycznego systemu elektroenergetycznego – obok magazynów energii oraz rozwiązań takich jak dwukierunkowe ładowanie pojazdów elektrycznych.

Szymon Ślubowski