Cette étude évalue la robustesse de six modèles d'apprentissage automatique et de séquence profonde, y compris PatchTST, GRU, N-HITS et LightGBM, pour la prévision de puissance photovoltaïque sous les erreurs de prévision de la prédiction numérique du temps (NWP). Les auteurs présentent un cadre d'évaluation de la robustesse contraint physiquement utilisant une puissance PV virtuelle pour isoler la propagation de l'incertitude des entrées.
- Les modèles de séquence démontrent un filtrage du bruit plus fort et une résilience temporelle supérieures à la baseline tabulaire LightGBM dans les régimes de perturbation moyens à élevés.
- Les perturbations étaient hétéroscédastiques, modulées par les conditions de ciel clair et la reconstruction d'Erbs pour préserver la cohérence du rayonnement.
- Les analyses SHAP et Integrated Gradients révèlent une tendance au réallocation des caractéristiques où les modèles déplacent leur dépendance des prévisions futures corrompues vers des observations historiques stables et des priors physiques déterministes.
- Une analyse de Pareto de la précision, de la robustesse et de la latence computationnelle fournit des implications techniques pour la sélection de modèles sous incertitude de prévision.
Les résultats se traduisent par des directives pratiques pour évaluer la robustesse et sélectionner des modèles qui maintiennent leurs performances face à des erreurs NWP temporellement corrélées et physiquement couplées.