В данном исследовании оценивается устойчивость шести моделей машинного обучения и глубоких последовательных моделей, включая PatchTST, GRU, N-HITS и LightGBM, для прогнозирования фотоэлектрической мощности при ошибках прогнозов численного прогнозирования погоды (NWP). Авторы представляют физически ограниченную рамку оценки устойчивости с использованием виртуальной фотоэлектрической мощности для изоляции распространения неопределенности входных данных.
- Последовательные модели демонстрируют более сильную фильтрацию шума и временную устойчивость по сравнению с базовой табличной моделью LightGBM в режимах от средних до высоких возмущений.
- Возмущения были гетероскедастичными, модулируемыми условиями ясного неба и реконструкцией Эрбса для сохранения согласованности излучения.
- Анализ SHAP и интегрированных градиентов выявляет тенденцию к перераспределению признаков, при которой модели смещают зависимость с поврежденных будущих прогнозов на стабильные исторические наблюдения и детерминированные физические априори.
- Парето-анализ точности, устойчивости и вычислительной задержки предоставляет инженерные выводы для выбора моделей в условиях неопределенности прогноза.
Результаты переводятся в практические рекомендации по оценке устойчивости и выбору моделей, которые сохраняют производительность при столкновении с временно коррелированными и физически связанными ошибками NWP.