本研究は、PatchTST、GRU、N-HITS、LightGBMを含む6つの機械学習および深層シーケンスモデルが、数値予報（NWP）の予報誤差下で太陽光発電電力予測においてどの程度強靭であるかを評価する。著者らは、入力不確実性の伝播を分離するために仮想PV電力を用いた物理制約付き強靭性評価フレームワークを提示する。

  • シーケンスモデルは、中程度から高次の擾乱条件下で、表形式のLightGBMベースラインと比較して、より強力なノイズフィルタリングと時間的レジリエンスを示す。
  • 摂動は異方分散性を持ち、放射の整合性を保つために快晴条件とErbs再構成によって調整された。
  • SHAPおよびIntegrated Gradientsによる分析は、モデルが壊れた将来の予報から安定した歴史的観測データや決定論的な物理的事前知識へ依存をシフトさせる特徴量再配分の傾向を示している。
  • 精度、強靭性、計算レイテンシーのパレート分析は、予報不確実性下でのモデル選択に関する工学的示唆を提供する。

これらの知見は、時間的に相関し物理的に結合したNWP誤差に直面してもパフォーマンスを維持するモデルの選定と強靭性の評価に関する実践的な指針へと結びつく。