यह अध्ययन छह मशीन लर्निंग और गहन अनुक्रम मॉडल, जिनमें PatchTST, GRU, N-HITS, और LightGBM शामिल हैं, की मजबूती का आकलन करता है, जो संख्यात्मक मौसम पूर्वानुमान (NWP) पूर्वानुमान त्रुटियों के तहत फोटोवोल्टिक पावर पूर्वानुमान के लिए हैं। लेखकों ने इनपुट अनिश्चितता प्रसार को अलग करने के लिए आभासी PV पावर का उपयोग करते हुए एक भौतिक रूप से बाधित मजबूती मूल्यांकन ढांचा प्रस्तुत किया है।
- अनुक्रम मॉडल माध्यम से उच्च विक्षोभ शासन के तहत तालिका LightGBM आधार रेखा की तुलना में मजबूत शोर फिल्टरिंग और कालिक लचीलापन प्रदर्शित करते हैं।
- विक्षोभ विषमप्रसरणी थे, जो स्पष्ट-आकाश स्थितियों और Erbs पुनर्निर्माण द्वारा नियंत्रित थे ताकि विकिरण सुसंगतता को बनाए रखा जा सके।
- SHAP और एकीकृत ग्रेडिएंट विश्लेषण एक विशेषता पुनर्विन्यास प्रवृत्ति को उजागर करते हैं जहाँ मॉडल खराब भविष्य पूर्वानुमान से स्थिर ऐतिहासिक अवलोकनों और निश्चित भौतिक पूर्वज्ञान की ओर निर्भरता को स्थानांतरित करते हैं।
- सटीकता, मजबूती और गणनात्मक विलंबन का पारेटो विश्लेषण पूर्वानुमान अनिश्चितता के तहत मॉडल चयन के लिए इंजीनियरिंग निहितार्थ प्रदान करता है।
निष्कर्ष मजबूती का आकलन करने और ऐसे मॉडल चुनने के लिए व्यावहारिक दिशानिर्देशों में अनुवादित होते हैं जो कालिक रूप से सहसंबद्ध और भौतिक रूप से युग्मित NWP त्रुटियों के सामना करते समय प्रदर्शन बनाए रखते हैं।