Испанские ученые разработали новую систему прогнозирования солнечной радиации, основанную на глубинном обучении и использующую изображения неба и числовые метеоданные. Новый метод позволяет с высокой точностью оценивать количество солнечной энергии, доступной в ближайшие 10–60 минут, что особенно важно для стабильной и эффективной работы солнечных электростанций.
Прогнозирование солнечной радиации — критически важная задача, поскольку солнечные электростанции напрямую зависят от интенсивности излучения. Основная проблема состоит в высокой переменчивости солнечного потока, зависящего от времени суток, времени года и ряда метеорологических факторов. Даже кратковременное появление облака может мгновенно снизить генерацию и привести к перебоям в энергоснабжении. До настоящего времени прогноз строился на основе физико-математических моделей или анализа числовых метеоданных, но такие модели не учитывали визуальные характеристики атмосферы и, как правило, требовали большого набора датчиков. Частично проблему удалось решить с помощью нейросетей, однако большинство из существующих моделей все же опирались лишь на один тип входных данных — либо изображения, либо численные параметры, что ограничивало точность прогнозов.
Исследователи из Университета Альмерии и исследовательского центра CIEMAT, действующего на базе крупнейшей в Европе Платформы солнечной энергии, предложили мультимодальный подход. Разработанная ими модель одновременно обрабатывает изображения неба и числовые параметры, такие как дата и теоретическая внеземная радиация, что позволяет объединить краткосрочные визуальные сигналы, такие как появление облаков, с сезонными и геометрическими характеристиками, включая положение Солнца. Для обучения модели использовались данные, собранные на экспериментальной установке CESA-I — одной из ведущих исследовательских солнечных площадок в Европе. С апреля 2022 по сентябрь 2023 года с помощью широкоугольных камер было получено более 100 000 снимков неба, каждый из которых был синхронизирован с измерениями солнечной радиации и другими метеорологическими параметрами. Для предварительной обработки и маркировки изображений применялся специально разработанный интерфейс Hel-IoT, позволяющий эффективно формировать обучающие выборки для нейросетевых моделей.
Во избежание искажений исследователи классифицировали дни по степени облачности, разделив их на три группы: ясные, облачные и переменно облачные. Для этого использовался индекс прозрачности атмосферы (Clarity Index, CI), отражающий соотношение между фактической и теоретически возможной солнечной радиацией. Отдельно оценивалась необходимость учитывать сезонные колебания, однако выяснилось, что модель способна учитывать их самостоятельно при условии, что ей передаются такие параметры, как дата и теоретическая внеземная радиация. Для обработки изображений применялись предобученные сверточные нейросети (EfficientNet, ResNet и Xception), которые извлекали визуальные признаки облачности. Полученные характеристики передавались в рекуррентную сеть LSTM, способную учитывать изменения в динамике облачного покрова. Параллельно с этим числовые временные ряды анализировались с помощью модели NARX. Вся система объединялась в единую гибридную архитектуру, способную прогнозировать уровень солнечной радиации на горизонтах 10, 30 и 60 минут.
В результате мультимодальный подход показал высокую точность: при прогнозе на 10 минут вперед ошибка составляла всего 2,5–5 %, а при прогнозе на один час — в среднем около 10 %. Особенно заметное преимущество наблюдалось в условиях переменной облачности, где мультимодальная модель значительно превосходила решения, основанные только на метеоданных или только на изображениях.
В дальнейшем исследователи планируют расширить функциональность своей модели за счет интеграции спутниковых снимков, использования методов компьютерного зрения для автоматического подсчета облаков и генеративных нейросетей — для создания реалистичных изображений облачного неба.
