Физически подсказанные модели лучше предсказывают стартовую выработку PV

Кратко

В бенчмарке для холодного старта на 440 солнечных станциях сравнили несколько моделей временных рядов с классическими базовыми методами. В zero-shot режиме модели, учитывающие ковариаты, в целом ошибались меньше; лучшей при реальной обратной связи стала TabPFN-TS, а при самоподстановке прогнозов — Chronos-2. Авторы также отмечают, что результат слабо зависел от того, как именно генерировали синтетическую историю.

Зачем это знать

Это показывает, что для старта без накопленных наблюдений полезно опираться не только на сам ряд, но и на внешние признаки и временной контекст. Но это пока препринт и узкий тест для солнечной генерации, поэтому переносить выводы на другие задачи и сразу использовать как практическую рекомендацию для операторов рано.

Разбор

Авторы не стали обучать отдельную модель с нуля под каждый солнечный парк. Вместо этого они собрали двухшаговую схему: сначала из метаданных станции и погодных признаков создаётся синтетическая «история» выработки — то есть правдоподобный временной ряд там, где реальных наблюдений ещё нет. Потом эту искусственную историю передают модели прогноза как временный контекст. Идея простая: если у станции ещё нет накопленных данных, всё равно можно дать модели хоть какой-то ориентир, как меняется выработка во времени.

Сравнение было жёстким. Проверяли не только разные современные модели временных рядов, но и обычные базовые правила вроде «повторяй вчера» или «учитывай сезонность». При этом тестировали три сценария: совсем без обратной связи, с реальной обратной связью и с самоподстановкой, когда модель подставляет в историю свои же прошлые прогнозы. Это важно, потому что в реальной жизни первые дни работы станции редко бывают идеальными: часть значений уже есть, часть ещё приходится достраивать.

Главный вывод такой: модели, которым отдали не только сам ряд, но и внешние признаки вроде погоды и характеристик станции, в среднем ошибались заметно меньше обычных базовых методов. Лучше всех в сценарии с реальной обратной связью показала себя TabPFN-TS, а в режиме самоподстановки самым устойчивым оказался Chronos-2. Ещё один интересный результат — почти не важно, из какого именно источника брали синтетическую историю: качество прогноза сильнее зависело от того, есть ли вообще внятный временной контекст, чем от выбора конкретного генератора.

Ключевые цифры

440 станцийПроверка шла не на одной-двух площадках, а на большой и разнородной выборке солнечных объектов.

1.7–2×Ошибки у лучших моделей были примерно в полтора-два раза ниже, чем у обычных базовых подходов.

MAE 0.514В лучшем сценарии средняя абсолютная ошибка была чуть больше половины единицы на каждую станцию и день, то есть прогнозы довольно близко попадали в реальность.

RMSE 0.721 kWh kWp^-1 d^-1Даже с учётом крупных промахов итоговая ошибка оставалась ниже одной единицы на киловатт установленной мощности в день.

Можно ли доверять

Это препринт на arXiv, так что работу ещё не проверяли независимые рецензенты. Проверка довольно серьёзная по масштабу — 440 станций и несколько датасетов, но всё же это узкая задача для солнечной генерации, поэтому переносить выводы на другие типы прогнозов стоит осторожно.

Пересказано ИИ по научной статье. Как это устроено

Источник и детали

ЖурналarXiv (cs.LG)

Дата публикации у нас8 июня 2026 г.

Дата источника5 июня 2026 г.

ОригиналОткрыть

АвторыLorenzo Longarini, Alessandro Rongoni, Simone Silenzi, Emanuele Frontoni, Riccardo Rosati