Este estudo avalia a robustez de seis modelos de sequência profunda e aprendizado de máquina, incluindo PatchTST, GRU, N-HITS e LightGBM, para previsão de energia fotovoltaica sob erros de previsão de previsão numérica do tempo (NWP). Os autores apresentam um framework de avaliação de robustez fisicamente restrito usando energia fotovoltaica virtual para isolar a propagação da incerteza de entrada.
- Modelos de sequência demonstram filtragem de ruído mais forte e resiliência temporal do que a linha de base tabular LightGBM sob regimes de perturbação de média a alta.
- As perturbações foram heterocedásticas, moduladas por condições de céu limpo e reconstrução de Erbs para preservar a consistência da radiação.
- Análises SHAP e Gradientes Integrados revelam uma tendência de realocação de características onde os modelos deslocam a dependência de previsões futuras corrompidas para observações históricas estáveis e priors físicos determinísticos.
- Uma análise de Pareto de precisão, robustez e latência computacional fornece implicações de engenharia para seleção de modelos sob incerteza de previsão.
As descobertas se traduzem em diretrizes práticas para avaliar a robustez e selecionar modelos que mantenham o desempenho ao enfrentar erros de NWP temporalmente correlacionados e fisicamente acoplados.