Порівняльний аналіз динамічної адаптації мереж LSTM до концептуального дрейфу при прогнозуванні генерації фотоелектричних станцій (ФЕС)

Abstract

Ефективне короткострокове прогнозування генерації фотоелектричних станцій (ФЕС) є ключовим для оптимізації виробництва, розподілу та зберігання електроенергії. Через мінливість погодних умов та сезонні коливання точність прогнозів знижується внаслідок концептуального дрейфу. У статті запропоновано метод прогнозування потужності ФЕС на добу наперед із використанням нейронних мереж типу LSTM, що враховує концепт-дрейф та дозволяє моделі адаптуватися до змін. Метод базується на історичних даних генерації ФЕС та метеорологічних даних з годинним кроком. Передбачено попередню обробку та нормалізацію даних, вибір інформативних ознак і формування навчальних вибірок за принципом ковзаючого вікна. Розроблено та порівняно чотири стратегії навчання моделей: статичну (без оновлення після деякого фіксованого дня), історичну (з використанням усіх попередніх даних до дня прогнозу), з щоденним донавчанням на базі статичної моделі та з щоденним доналаштуванням і пам’яттю (врахуванням вибірки з попередніх днів для уникнення катастрофічного забування). Дослідження проведено на реальних погодинних даних ФЕС з встановленою потужністю 20 МВт. Моделі, що використовують щоденне налаштування та підхід з донавчанням і застосуванням пам’яті, демонструють поступове поліпшення ефективності з часом, наближаючись до результатів історичної моделі. Це вказує на значущість регулярного онов- лення параметрів для врахування актуальних умов середовища та підтверджує доцільність застосування гнучких адаптивних стратегій навчання для прогнозування потужності відновлюваних джерел енергії. Запропонований підхід може бути використаний для вдосконалення систем прогнозування у сфері відновлюваної енергетики.