Проблема: почему прогнозы солнечной энергии часто ошибаются
Прогнозирование выработки фотоэлектрических (PV) систем критически важно для диспетчеризации сетей и интеграции возобновляемых источников энергии. Однако традиционные модели сталкиваются с тремя главными вызовами: резкие переходы день/ночь, изменчивость погоды и строгие физические ограничения генерации. Ошибки в прогнозах приводят к дисбалансу в энергосетях и финансовым потерям.
Решение: архитектура PARA-PV
Команда авторов (Hang Fan, Weican Liu, Ying Lu и др.) предложила фреймворк PARA-PV (Physics-Aware Retrieval-Augmented PV Prediction). Его ключевая инновация — внедрение физических знаний на каждом этапе прогнозирования. Архитектура состоит из трех основных блоков:
- Физически осведомленный RAG-ученик: кодирует многомерные наблюдения в патч-уровневые представления. Система ищет исторические патчи и аналоговые траектории, совпадающие с текущим окном по временной форме, уровню мощности, состоянию работы PV и внутридневному периоду. Это дает «физически обоснованную» базовую оценку.
- Калибровка через Chronos: Базовый прогноз корректируется с помощью легковесного residual-адаптера, который опирается на замороженную foundation-модель Chronos (временные ряды). Это позволяет использовать общие временные закономерности, не переписывая физически обоснованные предсказания.
- Коррекция сдвигов распределения: Модуль корректирует предварительный прогноз, используя данные о мощности, погоде, времени суток и условиях день/ночь. Применяются избирательные коррекции среднего и масштаба (gated mean-shift and scale corrections) для компенсации остаточных сдвигов.
Технические детали: физически ограниченные функции потерь
Особое внимание уделено функции потерь (loss function). Она разделяет выборки на четыре режима: пиковая нагрузка, резкие изменения (ramping), ночное время и обычный режим. Ошибки в критически важных состояниях (например, резкие скачки генерации) получают адаптивно повышенный вес, предотвращая подавление обучения доминирующим «обычным» режимом.
Значимость для отрасли
Подход PARA-PV демонстрирует, как сочетание Domain Knowledge (физика), RAG (поиск аналогов) и Foundation Models (Chronos) может решить проблему нестационарности данных в энергетике. Это снижает зависимость от переобучения на конкретных исторических данных и повышает устойчивость прогнозов к изменению климатических условий.
| Компонент PARA-PV | Функция | Техническая реализация |
|---|---|---|
| RAG-ученик | Базовый прогноз | Поиск исторических патчей по форме, мощности и состоянию |
| Chronos Adapter | Глобальная калибровка | Residual-адаптер к замороженной модели Chronos |
| Shift Correction | Коррекция сдвигов | Gated mean-shift/scale по погоде и времени суток |
| Loss Function | Обучение | Адаптивный взвешивание ошибок по 4 режимам (peak, ramp, night, regular) |
Код проекта доступен по ссылке в оригинальной статье arXiv:2607.08079.
Источник: arXiv cs.AI ↗