Введение

Развитие возобновляемых источников энергии является одним из ключевых направлений трансформации современной энергетики в условиях декарбонизации и перехода к устойчивым энергетическим системам. Солнечная энергетика занимает ведущее место среди возобновляемых источников благодаря высокой масштабируемости, технологической зрелости и снижению стоимости фотоэлектрических установок. Вместе с тем существенным ограничением для широкого внедрения солнечных электростанций остаётся высокая изменчивость выработки, обусловленная стохастическим характером солнечной радиации.

Солнечная радиация формируется под воздействием сложных атмосферных процессов, включающих облачность, содержание водяного пара, аэрозольный состав, а также сезонные и суточные астрономические факторы. В результате фактическая генерация солнечных электростанций может существенно отклоняться от прогнозируемых значений, что приводит к росту потребности в резервировании мощности, усложняет диспетчерское управление и снижает экономическую эффективность энергосистем с высокой долей возобновляемых источников.

В ряде исследований в области мониторинга и прогнозирования атмосферных параметров подчёркивается, что высокая изменчивость метеорологических процессов требует перехода от детерминированных методов оценки к адаптивным интеллектуальным системам, способным учитывать пространственно-временную неоднородность атмосферы и динамику загрязняющих и метеорологических факторов. Использование автоматизированных систем сбора и анализа метеорологических данных позволяет повысить достоверность прогнозов и обеспечить их практическую применимость в задачах управления сложными технико-природными системами, включая энергетические объекты [5].

Точность краткосрочного прогноза солнечной радиации является критически важной задачей для оптимизации работы солнечных электростанций, планирования режимов генерации, управления накопителями энергии и обеспечения устойчивости энергосистем. В этой связи особый интерес представляет использование методов искусственного интеллекта и глубокого обучения, способных выявлять нелинейные зависимости в больших массивах метеорологических данных.

Современные исследования в области управления энергосистемами с высокой долей возобновляемых источников показывают, что внедрение предиктивной аналитики на основе машинного обучения позволяет существенно снизить неопределённость при планировании режимов работы генерации. Прогнозирование выработки солнечной энергетики на основе метеорологических данных рассматривается как ключевой элемент интеллектуальных систем поддержки принятия решений, обеспечивающих повышение надёжности и экономической эффективности энергосистем [6].

Современные открытые метеорологические сервисы, такие как Open-Meteo, предоставляют доступ к высококачественным историческим и прогнозным данным с высоким временным разрешением, что создаёт предпосылки для построения data-driven моделей прогноза солнечной радиации, ориентированных на практические задачи энергетики [4].

В рамках настоящего исследования акцент сделан на прогнозировании глобального наклонного излучения (GTI), поскольку данный показатель наиболее близко отражает реальные условия работы фотоэлектрических установок.

Использование данных Open-Meteo

Сервис Open-Meteo предоставляет доступ к почасовым историческим метеорологическим данным, включая параметры солнечной радиации, облачности, температуры, влажности и ветра. Согласно документации, значения солнечной радиации представляют собой усреднённые значения за временной интервал (например, час), что делает их пригодными для анализа и прогнозирования энергетических процессов [4].

Подход, основанный на использовании централизованных источников метеорологических данных, соответствует современным концепциям построения автоматизированных систем мониторинга и прогнозирования, где особое значение придаётся целостности, сопоставимости и воспроизводимости входной информации. Это позволяет формировать масштабируемые решения, адаптируемые к различным регионам и условиям эксплуатации энергетических объектов [5].

В работе использованы данные для региона Элиста (республика Калмыкия), что позволяет учитывать локальные климатические особенности южных степных территорий России.

В качестве целевой переменной выбрано глобальное наклонное солнечное излучение (GTI). В отличие от горизонтальной радиации (GHI), данный показатель учитывает ориентацию панели в пространстве и определяется с учётом её наклона и азимута.

Анализ метеорологических факторов

В набор входных признаков включены температура воздуха на высоте 2 м, относительная влажность, точка росы, осадки, дождь, снегопад, скорость и направление ветра, суммарная радиация, общая облачность и облачность по слоям, а также атмосферное давление. Почасовое разрешение данных позволяет учитывать как суточную, так и сезонную изменчивость радиационного режима, что особенно важно для краткосрочного прогнозирования выработки солнечных электростанций.

Ниже в таблице 1 представлено описание признаков (метеопараметров) и их влияние на ключевой фактор.

Таблица 1

Описание метеопараметров в данных

В качестве целевой переменной в исследовании используется глобальное наклонное солнечное излучение (GTI), поскольку именно этот показатель наиболее полно отражает количество солнечной энергии, приходящейся на поверхность фотоэлектрической панели. В отличие от горизонтальной радиации, GTI учитывает ориентацию панели в пространстве и поэтому является более информативным показателем для энергетических приложений. Для Калмыкии угол наклона панели принят равным 45° в соответствии с широтой региона и чтобы захватить как зимний, так и летний период, а азимут — 0°, что соответствует южной ориентации и является физически обоснованным приближением для северного полушария. Такой выбор позволяет учитывать региональные особенности солнечного освещения и получать прогноз, близкий к реальным условиям эксплуатации солнечной электростанции.

Анализ временной структуры данных

Ниже будут приведены графики по историческим данным различных метеорологических показателей для региона Элисты (республика Калмыкия).

Анализ рисунка 1 показывает выраженную суточную цикличность: нулевые значения в ночные часы и максимум в полуденный период.

Рис. 1. Суточный профиль GTI

На рисунке 2 можно наблюдать ярко выраженную сезонность, которая обусловлена изменением высоты солнца и длительности дня.

Рис. 2. Сезонная динамика GTI

На рисунке 3 представлен heatmap график. Данные демонстрируют устойчивую двухуровневую структуру: суточную и сезонную.

Рис. 3. Heatmap (день — час)

Ниже на рисунке 4 диаграмма рассеяния показывает значительный разброс значений радиации при фиксированном уровне облачности, что обусловлено влиянием дополнительных факторов, таких как время суток и сезонность.

Рис. 4. Облачность vs GTI

Однако при анализе распределения (рисунок 5) значений без ночных данных наблюдается устойчивая тенденция снижения максимальных значений GTI с увеличением облачности, что подтверждает её ключевую роль в формировании солнечной радиации.

Рис. 5. Облачность vs GTI (boxplot)

Ниже на рисунке 6 представлена корреляционная матрица для некоторых ключевых факторов. Она подтверждает ключевую роль влияния облачности, влажности и температуры на радиацию.

Рис. 6. Корреляционная матрица

На основании проведённого анализа стоит сделать следующий вывод: солнечная радиация представляет собой сложный нелинейный процесс, зависящий от множества факторов и обладающий выраженной временной структурой. Это делает классические методы недостаточно эффективными и обосновывает применение нейросетевых моделей.

Методология исследования

Солнечная радиация рассматривается как целевая переменная, прогнозируемая на основе набора метеорологических и временных признаков. На этапе предварительной обработки данных выполняются очистка временных рядов, восстановление пропусков, нормализация и формирование скользящих временных окон. Дополнительно вводятся календарные и астрономические признаки, учитывающие суточную и сезонную изменчивость солнечного излучения.

Подобный подход соответствует методикам построения интеллектуальных систем прогнозирования, в которых большое внимание уделяется качеству предварительной обработки данных, корректному формированию обучающих выборок и устойчивости моделей к неполноте и зашумлённости входной информации [5].

Для моделирования используются различные нейросетевые архитектуры, каждая из которых реализуется в виде набора моделей с различными параметрами. Качество прогнозов оценивается с использованием стандартных метрик ошибки, включая среднюю абсолютную ошибку и среднеквадратичное отклонение. Отдельно анализируется влияние точности прогноза солнечной радиации на прогнозирование генерации солнечных электростанций.

Для прогнозирования используется почасовой многомерный временной ряд, включающий метеорологические и временные признаки. Дополнительно вводятся циклические признаки (час суток, день года), позволяющие учитывать периодичность солнечной радиации.

Выбор нейросетевой архитектуры

Традиционные подходы к моделированию солнечной радиации базируются на физических моделях радиационного переноса и эмпирико-статистических зависимостях. Классические модели ясного неба описывают поток солнечного излучения при отсутствии облачности и учитывают геометрическое положение Солнца, атмосферную прозрачность и газовый состав. Такие модели широко применяются в инженерных расчётах, однако они не способны адекватно учитывать влияние облаков и быстро меняющиеся атмосферные условия, поэтому эффективным решением этой проблемы может стать использование нейросетевых технологий [1].

С учётом проведённого анализа исходных данных можно сделать вывод, что рассматриваемая задача относится к классу прогнозирования многомерных временных рядов. Данные имеют выраженную суточную и сезонную структуру, характеризуются наличием нелинейных зависимостей, а также включают набор внешних (экзогенных) метеорологических признаков, оказывающих существенное влияние на целевую переменную. В этих условиях выбор архитектуры нейросети должен обеспечивать эффективное моделирование временных зависимостей и учитывать влияние сопутствующих факторов.

Наиболее естественным базовым подходом являются рекуррентные нейронные сети, такие как LSTM и GRU. Данные архитектуры обладают встроенными механизмами памяти, позволяющими учитывать зависимость между последовательными наблюдениями во времени. Они демонстрируют устойчивость к шуму и способны эффективно работать с временными рядами, содержащими сезонные и циклические компоненты. В связи с этим модели LSTM/GRU могут быть использованы в качестве базового решения для построения прогностической модели солнечной радиации [2].

Дальнейшее повышение качества прогноза возможно за счёт использования механизмов внимания (attention), позволяющих модели адаптивно выделять наиболее значимые временные интервалы и признаки. Это особенно важно для задач прогнозирования солнечной радиации, где вклад различных факторов (например, облачности или времени суток) может существенно изменяться в зависимости от текущих условий.

Наиболее перспективным направлением является применение архитектур, основанных на механизме внимания, в частности Temporal Fusion Transformer (TFT). Данный класс моделей предназначен для работы с многомерными временными рядами и позволяет одновременно учитывать краткосрочные и долгосрочные временные зависимости, сезонные эффекты, а также влияние внешних признаков. Использование таких моделей обеспечивает более гибкое и точное описание сложной нелинейной природы солнечной радиации [3].

Следует отметить, что в рамках настоящего исследования рассматривается одна географическая точка (г. Элиста), в связи с чем использование пространственно-ориентированных архитектур, таких как ConvLSTM, не является приоритетным. Однако при расширении исследования возможно включение данных по другим районам Республики Калмыкия, что позволит сформировать пространственную сетку метеорологических наблюдений. В этом случае задача приобретает пространственно-временной характер, и становится целесообразным применение более сложных архитектур, способных учитывать пространственные зависимости. К таким архитектурам относятся ConvLSTM, графовые нейронные сети (Graph Neural Networks), а также гибридные модели, сочетающие свёрточные и трансформерные блоки.

Таким образом, для текущей постановки задачи наиболее обоснованным является использование моделей класса LSTM/GRU с механизмом внимания или архитектур на основе трансформеров, таких как Temporal Fusion Transformer. Данные подходы обеспечивают высокую точность прогнозирования и хорошо соответствуют структуре исходных данных, что делает их оптимальным выбором для задач прогнозирования глобального наклонного солнечного излучения.

Заключение

Использование нейросетевых архитектур в сочетании с открытыми метеорологическими данными Open-Meteo является эффективным подходом к прогнозированию солнечной радиации в задачах солнечной энергетики. Проведённое аналитическое исследование архитектур и моделей показывает, что выбор архитектуры и её параметризация оказывают решающее влияние на качество прогноза и его практическую применимость в энергетических системах.

В работе показано, что использование глобального наклонного излучения (GTI) в качестве целевой переменной позволяет существенно повысить прикладную ценность прогноза для задач солнечной энергетики. Проведённый анализ метеорологических факторов подтвердил ключевую роль облачности и временной структуры данных. На основании полученных результатов обоснован выбор нейросетевых архитектур, ориентированных на обработку многомерных временных рядов. Полученные выводы могут быть использованы при разработке интеллектуальных систем прогнозирования генерации солнечных электростанций в регионах с высокой солнечной активностью, таких как Республика Калмыкия.

Результаты исследования согласуются с современными подходами к построению автоматизированных систем мониторинга метеорологических параметров и предиктивной аналитики энергосистем, подтверждая перспективность интеграции нейросетевых прогнозов солнечной радиации в контуры управления генерацией и планирования режимов работы солнечных электростанций.

Литература:

1. Gueymard, C. A. Clear-sky irradiance predictions for solar resource mapping and large-scale applications / C. A. Gueymard. — Текст: непосредственный // Solar Energy. — 2012.
2. Shi, X. Convolutional LSTM network: A machine learning approach for precipitation nowcasting / X. Shi, Z. Chen, H. Wang. — Текст: непосредственный // Advances in Neural Information Processing Systems. — 2015.
3. Voyant, C. Machine learning methods for solar radiation forecasting: A review / C. Voyant, G. Notton, S. Kalogirou. — Текст: непосредственный // Renewable Energy. — 2017.
4. Open-source weather API and climate data documentation. — Текст: электронный // open-meteo.com: [сайт]. — URL: https://open-meteo.com/en/docs/historical-weather-api (дата обращения: 25.01.2026).
5. Волкова, Е. А. Разработка автоматизированной системы и методик для мониторинга и прогнозирования эколого-метеорологических параметров атмосферного воздуха: специальность 2.2.8: автореферат на соискание ученой степени кандидата технических наук / Волкова Елена Анатольевна; ФГАОУ ВО «Национальный исследовательский ун-т «Московский ин-т электронной техники». — М., 2025. — 23 с. — Текст: непосредственный.
6. Осгонбаатар, Тувшин Разработка системы предиктивной аналитики режимов работы электроэнергетической системы с возобновляемыми источниками: на примере энергосистемы Монголии: специальность 2.4.3: автореферат на соискание ученой степени кандидата технических наук / Осгонбаатар Тувшин; ФГБОУ ВО «Новосибирский гос. технический университет». — Новосибирск, 2025. — 20 с. — Текст: непосредственный.