پیشبینی تولید خورشیدی در مقیاس یک کشور
پژوهشگران سوئیس و هلند چارچوبی برای پیشبینی مکانی ـ زمانی تولید برق فتوولتائیک در مقیاس ملی توسعه دادهاند.
این چارچوب چند روش مختلف پیشبینی را در یک ساختار مشترک مقایسه میکند؛ از الگوریتمهای یادگیری عمیق مبتنی بر تصاویر ماهوارهای و روشهای Optical Flow گرفته تا مدلهای عددی پیشبینی هوا.
تصاویر هر ۱۵ دقیقه وارد مدل شدند
پژوهشگران از مجموعه داده تابش خورشیدی سطح زمین مبتنی بر ماهواره برای سوئیس در سالهای ۲۰۱۹ و ۲۰۲۰ استفاده کردند. تصاویر این مجموعه با فاصله زمانی ۱۵ دقیقه در دسترس بودند.
هر مدل چهار تصویر متوالی مربوط به یک ساعت گذشته را دریافت میکرد و سپس شرایط تابش خورشیدی را برای دو ساعت آینده پیشبینی میکرد.
شش روش پیشبینی در یک چارچوب مشترک
پژوهشگران عملکرد شش چارچوب مختلف را برای پیشبینی تابش و سپس تولید برق فتوولتائیک مقایسه کردند.
برتری روشهای ماهوارهای در افق کوتاه
نتایج نشان داد رویکردهای مبتنی بر ماهواره، بهخصوص در افقهای زمانی کوتاه، عملکرد بهتری نسبت به مدل هواشناسی IFS-ENS داشتند.
SolarSTEPS و SHADECast از دقیقترین روشها برای پیشبینی تابش و تولید PV بودند و SHADECast همچنین عملکرد مناسبی در نمایش عدمقطعیت پیشبینی ارائه کرد.
در میان مدلهای قطعی نیز IrradianceNet کمترین خطای RMSE را ثبت کرد.
برای هر سامانه خورشیدی یک مدل جداگانه آموزش داده شد
پس از پیشبینی تابش خورشیدی، پژوهشگران برای هر یک از ۶٬۴۳۴ سامانه PV موجود در مجموعه داده، یک مدل یادگیری ماشین XGBoost جداگانه آموزش دادند.
به این ترتیب میدانهای پیشبینیشده تابش به تولید برق تبدیل و سپس با دادههای واقعی تولید سامانهها مقایسه شد.
خطای کمتر از ۱۰ درصد در ۸۲ درصد روزها
در مقیاس کل کشور، مدلهای مبتنی بر تصاویر ماهوارهای توانستند مجموع تولید روزانه خورشیدی را در ۸۲ درصد روزهای مورد بررسی طی سالهای ۲۰۱۹ و ۲۰۲۰ با خطای نسبی کمتر از ۱۰ درصد پیشبینی کنند.
پژوهشگران این نتیجه را نشانهای از قابلیت استفاده عملی چنین روشهایی برای پیشبینی عملیاتی تولید خورشیدی میدانند.
پیشبینی بهتر، مدیریت بهتر خورشیدی و ذخیرهساز
هرچه سهم نیروگاههای خورشیدی در شبکه برق افزایش پیدا کند، تغییرات سریع ابرها و تابش خورشیدی میتواند اثر بیشتری بر توازن عرضه و تقاضای برق داشته باشد.
پیشبینی درونروزی دقیقتر میتواند برنامهریزی تولید نیروگاههای دیگر، شارژ و دشارژ سامانههای ذخیرهساز و مدیریت انعطافپذیر شبکه را بهبود دهد.
منابع خبر
گزارش خبری این پژوهش در تاریخ ۲۸ ژوئیه ۲۰۲۶ توسط pv magazine منتشر شده است.
مقاله علمی با عنوان Intraday spatiotemporal PV power prediction at national scale using satellite-based solar forecast models در مجله Energy and AI منتشر شده است.