Este estudio evalúa la robustez de seis modelos de secuencia profunda y aprendizaje automático, incluidos PatchTST, GRU, N-HITS y LightGBM, para la predicción de energía fotovoltaica bajo errores de pronóstico de predicción meteorológica numérica (NWP). Los autores presentan un marco de evaluación de robustez físicamente restringido utilizando energía fotovoltaica virtual para aislar la propagación de incertidumbre de entrada.
- Los modelos de secuencia demuestran un filtrado de ruido más fuerte y resiliencia temporal que la línea base tabular LightGBM bajo regímenes de perturbación de media a alta.
- Las perturbaciones fueron heterocedásticas, moduladas por condiciones de cielo despejado y reconstrucción de Erbs para preservar la consistencia de la radiación.
- Los análisis SHAP y Gradientes Integrados revelan una tendencia de realocación de características donde los modelos desplazan la dependencia de pronósticos futuros corruptos a observaciones históricas estables y priores físicos deterministas.
- Un análisis de Pareto de precisión, robustez y latencia computacional proporciona implicaciones de ingeniería para la selección de modelos bajo incertidumbre de predicción.
Los hallazgos se traducen en pautas prácticas para evaluar la robustez y seleccionar modelos que mantengan el rendimiento cuando se enfrentan a errores de NWP temporalmente correlacionados y físicamente acoplados.