DOI: https://doi.org/10.1016/j.solener.2026.114361
تاريخ النشر: 2026-01-29
المؤلف: Martin János Mayer وآخرون
الموضوع الرئيسي: الإشعاع الشمسي والطاقة الشمسية
نظرة عامة
تقيّم ورقة البحث فعالية سبع طرق متقدمة للإحصاء بعد المعالجة لتحسين دقة توقعات الطاقة الشمسية الكهروضوئية (PV) المستمدة من توقعات الطقس الجماعية. نظرًا للاعتماد المتزايد على الطاقة الشمسية، فإن التوقعات الدقيقة ضرورية لإدارة الشبكة وتخطيط الطاقة. تستخدم الدراسة بيانات إنتاج الطاقة الشمسية من سبع محطات كبيرة في المجر لتقييم كل من التقنيات البارامترية وغير البارامترية، بما في ذلك أساليب التعلم الآلي. تشير النتائج إلى أن جميع أشكال المعالجة الإحصائية بعد المعالجة تعزز بشكل كبير الأداء التنبؤي مقارنة بتوقعات الطقس الجماعية الخام، حيث أن الطرق غير البارامترية، وخاصة نماذج الانحدار الكمي غير الخطية المتقدمة، تحقق أفضل النتائج.
تكشف التحليلات أن الأساليب المعتمدة على التعلم الآلي تتفوق على النماذج الإحصائية التقليدية، مما يؤكد القدرات التنبؤية المتفوقة للتقنيات غير البارامترية مقارنة بالبارامترية. على وجه الخصوص، أظهر الشبكة العصبية لانحدار الكمية (QRNN) أعلى مهارة عامة. تقترح الدراسة طرقًا محتملة لمزيد من التحسين، مثل دمج متغيرات إضافية من أنظمة توقعات الطقس العددية واستكشاف توقعات الطقس الجماعية متعددة النماذج. كما تسلط الضوء على أهمية النظر في الآثار الاقتصادية جنبًا إلى جنب مع التقييمات الإحصائية في سياق توقعات الطاقة الاحتمالية. تختتم الورقة بمعالجة الدور الناشئ لنماذج الطقس المدفوعة بالبيانات في توقعات الطاقة الشمسية وإمكانية دمجها مع طرق المعالجة بعد المعالجة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الأهمية المتزايدة للطاقة الشمسية الكهروضوئية (PV) في الانتقال إلى أنظمة الطاقة منخفضة الكربون، مع التأكيد على قابليتها للتوسع وانخفاض تكاليفها. على الرغم من مزاياها، فإن الطبيعة المتقطعة للطاقة الشمسية تطرح تحديات لاستقرار وكفاءة نظام الطاقة، مما يستلزم توقعات دقيقة لإنتاج الكهرباء من الطاقة الشمسية. يتم مناقشة التقدمات الأخيرة في أساليب التوقعات الاحتمالية، التي توفر معلومات شاملة حول عدم اليقين في التوقعات من خلال فترات التوقعات والكمية. تتبع هذه الأساليب عادةً إطار عمل من ثلاث مراحل يحول توقعات الطقس إلى توقعات الطاقة الشمسية باستخدام نماذج توقعات الطقس العددية (NWP)، على الرغم من أن التحيزات النظامية في توقعات NWP غالبًا ما تتطلب تصحيحًا من خلال تقنيات المعالجة بعد المعالجة.
تركز الورقة على تقييم ومقارنة أساليب المعالجة بعد المعالجة القائمة على الإحصاء والتعلم الآلي (ML) لضبط توقعات الطاقة الشمسية المستمدة من توقعات NWP الجماعية الخام. توضح استراتيجيات مختلفة لتطبيق المعالجة بعد المعالجة في مراحل مختلفة من سلسلة النموذج وتبرز النتائج من الأبحاث السابقة التي تشير إلى أن معالجة توقعات الطاقة الشمسية فعالة بشكل خاص. تهدف الدراسة إلى مقارنة سبع طرق مختلفة للمعالجة بعد المعالجة، بما في ذلك أساليب الانحدار التوزيعي البارامترية وطرق الانحدار الكمي غير البارامترية، باستخدام مجموعة بيانات شاملة من محطات الطاقة الشمسية الكبيرة في المجر. تمهد المقدمة الطريق لاستكشاف مفصل للمنهجيات والنتائج التي تليها في الأقسام اللاحقة من الورقة.
الطرق
في هذا القسم، يصف المؤلفون الطرق المستخدمة في المعالجة بعد المعالجة وتقييم توقعات إنتاج الطاقة الشمسية (PV). يعرفون توقعًا جماعيًا موحدًا يتكون من 51 عضوًا، حيث يمثل \( f_1 \) التوقع التحكم و \( f_2, \ldots, f_{51} \) هم الأعضاء الخمسون غير القابلين للتمييز إحصائيًا. يُشار إلى متوسط هؤلاء الأعضاء الجماعيين باسم \( f_{\text{ENS}} \)، وتُعبر عن تباينهم باسم \( S^2_{\text{ENS}} \).
يناقش المؤلفون أيضًا طرق المعالجة بعد المعالجة البارامترية التي تنتج توزيعات تنبؤية كاملة. يبرزون أن اختيار عائلة التوزيع يعتمد على خصائص المتغير الذي يتم توقعه. على سبيل المثال، يتم نمذجة درجة الحرارة عادةً على أنها غاوسية، بينما يتم تمثيل سرعة الرياح بشكل أفضل بواسطة توزيعات طبيعية مقطوعة أو لوغاريتمية طبيعية بسبب طبيعتها غير السلبية والمائلة. بالنسبة لهطول الأمطار، يمكن أن يؤدي قطع توزيع مائل مثل القيمة القصوى العامة أو غاما المنقولة إلى حساب فعّال لاحتمالية الملاحظات الصفرية. في سياق الإشعاع الشمسي، يتم استخدام توزيعات لوجستية أو غاوسية مقطوعة. بشكل خاص بالنسبة للطاقة الشمسية، يتم تقييد التوزيع التنبؤي بواسطة السعة القصوى لمحطة الطاقة الشمسية، مما يؤدي إلى توزيع غاوسي مقطوع مزدوج في نماذج EMOS وDRN، والتي تعين كتل نقطية عند كل من الصفر والواحد، مما يعكس حدود قيم الطاقة الشمسية الموحدة.
النتائج
في هذا القسم، يقدم المؤلفون تحليلًا مقارنًا للأداء التنبؤي لطرق المعالجة بعد المعالجة البارامترية وغير البارامترية لتوقعات الطاقة الشمسية (PV). يتم تدريب النماذج محليًا، باستخدام أزواج التوقعات والملاحظات التاريخية الخاصة بكل محطة طاقة شمسية. تستخدم عملية التحقق بيانات الطاقة من السنة التقويمية 2023، مع التركيز حصريًا على التوقعات النهارية مع طاقة شمسية إيجابية ملحوظة، مما ينتج عنه حد أقصى يبلغ 65 ملاحظة في اليوم بين الساعة 03:00 و19:00 بتوقيت UTC.
تُطبق كلتا طريقتي المعالجة بعد المعالجة على بيانات موحدة، حيث يتم تعديل توقعات الطاقة الشمسية والمخرجات وفقًا للطاقة الكهربائية الاسمية المحددة في الجدول 1. لتسهيل مقارنة عادلة، يقوم المؤلفون بإنشاء 51 كميًا متساوي المسافة من التوزيعات التنبؤية للأساليب البارامترية، وكذلك من توقعات الكمية للأساليب غير البارامترية. يتم تحويل هذه الكميات مرة أخرى إلى المقياس الأصلي. بالإضافة إلى ذلك، لحساب التباينات في الطاقة الاسمية عبر سبع محطات طاقة شمسية تم تحليلها، يقدم المؤلفون قيم الدرجات الموحدة حسب متوسط إنتاج الطاقة النهارية، كما هو موضح في الجدول 2.
المناقشة
تركز قسم المناقشة في ورقة البحث على المنهجيات والنتائج المتعلقة بتوقعات الطاقة الشمسية (PV) في سبع محطات طاقة شمسية كبيرة في المجر. تستخدم الدراسة مجموعة من 51 عضوًا من توقعات الطقس العددية (NWP) التي تم إنشاؤها بواسطة المركز الأوروبي لتوقعات الطقس متوسطة المدى (ECMWF) لإنشاء توقعات الطاقة الشمسية. يتم معالجة بيانات الإدخال، التي تشمل الإشعاع الأفقي العالمي (GHI)، ودرجة الحرارة المحيطة، وسرعة الرياح، من خلال سلسلة نماذج فيزيائية مفصلة تأخذ في الاعتبار عوامل مختلفة تؤثر على إنتاج الطاقة الشمسية، مثل خسائر الظل وتأثيرات درجة الحرارة. تهدف تعقيد سلسلة النماذج إلى تعزيز دقة التوقعات، التي يتم توحيدها حسب الطاقة الكهربائية الاسمية لكل محطة.
تناقش الورقة أيضًا تقنيات المعالجة بعد المعالجة الإحصائية المستخدمة لتحسين توقعات الطاقة الشمسية. تقارن عدة نماذج، بما في ذلك إحصائيات مخرجات النموذج الجماعي (EMOS)، وشبكات الانحدار التوزيعي (DRN)، ومختلف أساليب الانحدار الكمي، لتقييم أدائها التنبؤي. يتم استخدام مقاييس رئيسية مثل درجة الاحتمالية المرتبة المستمرة (CRPS) ومتوسط الخطأ المطلق (MAE) لتقييم موثوقية وحدّة التوقعات. تشير النتائج إلى أن نماذج EMOS تتفوق عمومًا على الأساليب الأخرى من حيث الموثوقية والدقة، بينما تظهر الشبكات العصبية لانحدار الكمية (QRNN) وشبكات الكمية برنشتاين (BQN) أيضًا وعدًا في التقاط الطبيعة الاحتمالية للتوقعات. بشكل عام، تؤكد النتائج على أهمية كل من بيانات الطقس الدقيقة وتقنيات النمذجة المتطورة في تحسين موثوقية توقعات الطاقة الشمسية للاستخدام التشغيلي في أسواق الطاقة.
DOI: https://doi.org/10.1016/j.solener.2026.114361
Publication Date: 2026-01-29
Author(s): Martin János Mayer et al.
Primary Topic: Solar Radiation and Photovoltaics
Overview
The research paper evaluates the effectiveness of seven advanced statistical post-processing methods for improving the accuracy of photovoltaic (PV) power forecasts derived from ensemble weather predictions. Given the increasing reliance on solar energy, accurate forecasting is essential for grid management and energy planning. The study utilizes PV production data from seven utility-scale plants in Hungary to assess both parametric and non-parametric techniques, including machine learning approaches. The findings indicate that all forms of statistical post-processing significantly enhance predictive performance compared to raw ensemble forecasts, with non-parametric methods, particularly advanced nonlinear quantile regression models, yielding the best results.
The analysis reveals that machine learning-based methods outperform traditional statistical models, confirming the superior predictive capabilities of non-parametric techniques over parametric ones. Specifically, the quantile regression neural network (QRNN) demonstrated the highest overall skill. The study suggests potential avenues for further improvement, such as incorporating additional covariates from numerical weather prediction systems and exploring multi-model ensemble forecasts. It also highlights the importance of considering economic impacts alongside statistical evaluations in the context of probabilistic energy forecasting. The paper concludes by addressing the emerging role of data-driven weather models in solar energy forecasting and their potential integration with post-processing methods.
Introduction
The introduction of the research paper highlights the increasing significance of solar photovoltaic (PV) power in the transition to low-carbon energy systems, emphasizing its scalability and declining costs. Despite its advantages, the intermittent nature of solar energy poses challenges for power system stability and efficiency, necessitating accurate forecasting of PV electricity generation. Recent advancements in probabilistic forecasting methods, which provide comprehensive information about forecast uncertainty through prediction intervals and quantiles, are discussed. These methods typically follow a three-stage framework that converts weather forecasts into PV power forecasts using numerical weather prediction (NWP) models, although systematic biases in NWP predictions often require correction through post-processing techniques.
The paper focuses on evaluating and comparing statistical and machine learning (ML)-based post-processing methods for calibrating PV power forecasts derived from raw NWP ensemble predictions. It outlines various strategies for applying post-processing at different stages of the model chain and highlights findings from previous research indicating that post-processing PV power predictions is particularly effective. The study aims to compare seven different post-processing methods, including parametric distributional regression approaches and non-parametric quantile regression methods, using a comprehensive dataset from utility-scale PV plants in Hungary. The introduction sets the stage for a detailed exploration of the methodologies and results that follow in the subsequent sections of the paper.
Methods
In this section, the authors describe the methods used for post-processing and evaluating forecasts of photovoltaic (PV) energy production. They define a normalized ensemble forecast comprising 51 members, where \( f_1 \) represents the control forecast and \( f_2, \ldots, f_{51} \) are the 50 statistically indistinguishable ensemble members. The mean of these ensemble members is denoted as \( f_{\text{ENS}} \), and their variance is represented as \( S^2_{\text{ENS}} \).
The authors also discuss parametric post-processing methods that yield full predictive distributions. They highlight that the choice of distribution family is contingent upon the characteristics of the variable being predicted. For instance, temperature is typically modeled as Gaussian, while wind speed is better represented by truncated normal or log-normal distributions due to its non-negative and skewed nature. For precipitation, left-censoring a skewed distribution like the generalized extreme value or shifted gamma can effectively account for the probability of zero observations. In the context of solar irradiance, left-censored logistic or Gaussian distributions are employed. Specifically for PV power, the predictive distribution is constrained by the solar plant’s maximum capacity, leading to a doubly censored Gaussian distribution in the EMOS and DRN models, which assigns point masses at both zero and one, reflecting the bounds of normalized PV power values.
Results
In this section, the authors present a comparative analysis of the predictive performance of parametric and non-parametric post-processing methods for photovoltaic (PV) power forecasting. The models are trained locally, utilizing historical forecast-observation pairs specific to each PV power plant. The validation process employs power data from the calendar year 2023, focusing exclusively on daytime predictions with positive observed PV power, which yields a maximum of 65 observations per day between 03:00 and 19:00 UTC.
Both post-processing methods are applied to normalized data, where PV power forecasts and outputs are adjusted according to the nominal AC power specified in Table 1. To facilitate a fair comparison, the authors generate 51 equidistant quantiles from the predictive distributions of the parametric methods, as well as from the quantile forecasts of the non-parametric techniques. These quantiles are subsequently transformed back to the original scale. Additionally, to account for variations in nominal power across the seven PV plants analyzed, the authors report score values normalized by the mean daytime power output, as detailed in Table 2.
Discussion
The discussion section of the research paper focuses on the methodologies and findings related to photovoltaic (PV) power forecasting at seven utility-scale PV plants in Hungary. The study employs a 51-member ensemble of numerical weather predictions (NWP) generated by the European Centre for Medium-Range Weather Forecasts (ECMWF) to create PV power forecasts. The input data, which includes global horizontal irradiance (GHI), ambient temperature, and wind speed, is processed through a detailed physical model chain that accounts for various factors affecting PV power output, such as shading losses and temperature effects. The model chain’s complexity aims to enhance the accuracy of the forecasts, which are normalized by the nominal AC power of each plant.
The paper also discusses the statistical post-processing techniques used to refine the PV power forecasts. It compares several models, including Ensemble Model Output Statistics (EMOS), Distributional Regression Networks (DRN), and various quantile regression approaches, to evaluate their predictive performance. Key metrics such as the Continuous Ranked Probability Score (CRPS) and Mean Absolute Error (MAE) are utilized to assess the reliability and sharpness of the forecasts. The results indicate that the EMOS models generally outperform other methods in terms of reliability and resolution, while the quantile regression neural networks (QRNN) and Bernstein quantile networks (BQN) also show promise in capturing the probabilistic nature of the forecasts. Overall, the findings underscore the importance of both accurate weather input data and sophisticated modeling techniques in improving the reliability of PV power forecasts for operational use in energy markets.