تقيّم هذه الدراسة مرونة ستة نماذج لتعلم الآلة والتسلسل العميق، بما في ذلك PatchTST وGRU وN-HITS وLightGBM، للتنبؤ بالطاقة الكهروضوئية تحت أخطاء التنبؤ من التنبؤ العددي للطقس (NWP). يقدم المؤلفون إطار عمل لتقييم المرونة مقيد فيزيائياً باستخدام طاقة PV افتراضية لعزل انتشار عدم اليقين في المدخلات.
- تُظهر نماذج التسلسل تصفية ضوضاء أقوى ومرونة زمنية أكبر من الأساس LightGBM الجدولي تحت أنظمة الاضطراب المتوسطة إلى العالية.
- كانت الاضطرابات غير متجانسة التباين، وتم تعديلها بواسطة ظروف السماء الصافية وإعادة بناء Erbs للحفاظ على اتساق الإشعاع.
- تكشف تحليلات SHAP وIntegrated Gradients عن ميل لإعادة تخصيص السمات حيث تنقل النماذج الاعتماد من التنبؤات المستقبلية المعطوبة إلى الملاحظات التاريخية المستقرة والأفكار المسبقة الفيزيائية الحتمية.
- يوفر تحليل باريتو للدقة والمرونة وزمن الاستجابة الحسابي آثاراً هندسية لاختيار النماذج تحت عدم اليقين في التنبؤ.
ترتبط النتائج بإرشادات عملية لتقييم المرونة واختيار النماذج التي تحافظ على الأداء عند مواجهة أخطاء NWP المرتبطة زمنياً والمقترنة فيزيائياً.