FarSky: генеративная нейросеть повысила точность внутричасового прогноза солнечной радиации на 11 п.п.
Для надёжной интеграции солнечных электростанций в энергосети требуется точный прогноз приходящей радиации. Внутричасовые горизонты прогнозирования особенно сложны из-за быстрой изменчивости облачности.
Группа исследователей представила модель FarSky, которая объединяет генеративный подход и латентное пространство для анализа изображений неба. В её основе лежит многоцелевой автоэнкодер, который совместно учится восстанавливать снимки и оценивать уровень радиации. Затем диффузионная модель генерирует будущие латентные состояния на основе недавних наблюдений, из которых напрямую декодируются прогнозы радиации.
Архитектура даёт вероятностные прогнозы за счёт стохастической выборки. Это позволяет операторам энергосистем учитывать неопределённость и лучше готовиться к возможным резким изменениям выработки.
Модель обучали на многолетнем наборе данных, собранном на испытательном полигоне Plataforma Solar de Almer?a в Испании. Тестирование проводилось на двух независимых выборках. Сравнение шло с персистентными, сквозными и другими генеративными методами.
По данным авторов, FarSky показал наилучшие результаты как в детерминированном, так и в вероятностном режимах. Выигрыш в навыке прогнозирования достиг 11 процентных пунктов по сравнению с существующими подходами.
Отдельно отмечается улучшение обнаружения рамповых событий — резких изменений солнечной радиации, которые создают риски для стабильности сети. F1-мера превысила 60%, что существенно выше, чем у ранее известных методов.
Работа демонстрирует перспективность комбинирования генеративных моделей с латентным пространством, заточенным под конкретную задачу. Такой подход может повысить готовность энергосистем к переменной солнечной генерации.
