PhysEmbedFormer: una arquitectura interpretable guiada por la física para la predicción de energía fotovoltaica con...

Área de la Ciencia:

• Sistemas de Energía Renovable
• Inteligencia Artificial
• Análisis de Series Temporales

Sus antecedentes:

• La predicción precisa de la energía fotovoltaica (FV) es esencial para la estabilidad de la red y la fijación de precios de la energía.
• Los modelos tradicionales carecen de precisión o interpretabilidad; los modelos basados en datos luchan con los cambios de datos inducidos por el clima.

Objetivo del estudio:

• Presentar PhysEmbedFormer, una novedosa arquitectura guiada por la física para la predicción robusta de la energía de FV.
• Mejorar la interpretabilidad y la precisión integrando datos meteorológicos y componentes basados en la física.

Principales métodos:

• Descomposición de la serie temporal de FV en componentes estimados por la física y residuales.
• Incrustación conjunta de componentes utilizando un módulo de modalidad cruzada.
• Refinamiento a través de una red dual de Kolmogorov-Arnold (KAN) para la coincidencia de distribución.

Principales resultados:

• PhysEmbedFormer logró un menor MAE y RMSE, y un mayor R² en comparación con las arquitecturas existentes.
• Demostró robustez frente a los cambios de distribución y estrechos intervalos de predicción (95% CI).
• Predicción eficaz hasta 72 horas de antelación en múltiples conjuntos de datos de FV.

Conclusiones:

• PhysEmbedFormer ofrece un enfoque robusto e interpretable para la predicción de la energía de FV.
• La metodología guiada por la física maneja eficazmente las variaciones dependientes del clima en la radiación solar.
• Esta arquitectura mejora la integración en la red y la gestión de las fuentes de energía renovable.