Studi ini mengevaluasi ketahanan enam model pembelajaran mesin dan sekuens dalam, termasuk PatchTST, GRU, N-HITS, dan LightGBM, untuk prakiraan daya fotovoltaik di bawah kesalahan prakiraan prediksi cuaca numerik (NWP). Penulis menyajikan kerangka evaluasi ketahanan yang dibatasi secara fisik menggunakan daya PV virtual untuk mengisolasi propagasi ketidakpastian input.
- Model sekuens menunjukkan pemfilteran derau dan ketahanan temporal yang lebih kuat dibandingkan baseline tabel LightGBM di bawah rezim gangguan sedang hingga tinggi.
- Gangguan bersifat heteroskedastik, dimodulasi oleh kondisi langit cerah dan rekonstruksi Erbs untuk mempertahankan konsistensi radiasi.
- Analisis SHAP dan Integrated Gradients mengungkap kecenderungan realokasi fitur di mana model mengalihkan ketergantungan dari prakiraan masa depan yang rusak ke pengamatan historis yang stabil dan prior fisik deterministik.
- Analisis Pareto dari akurasi, ketahanan, dan latensi komputasi memberikan implikasi teknik untuk pemilihan model di bawah ketidakpastian prakiraan.
Temuan ini diterjemahkan menjadi pedoman praktis untuk menilai ketahanan dan memilih model yang mempertahankan kinerja ketika dihadapkan pada kesalahan NWP yang berkorelasi secara temporal dan terkopel secara fisik.