Краткосрочные прогнозы выработки фотоэлектрической энергии и глобальной горизонтальной освещенности (GHI) критически важны для эффективного распределения энергии, планирования резервов и управления энергосистемами. В этих временных горизонтах ошибки прогнозирования в основном обусловлены изменениями, вызванными облаками. Опора исключительно на исторические числовые данные часто не позволяет предвидеть приближение облаков, что делает наземные изображения неба важным дополнительным физическим сигналом. Производительность прогнозирования сильно зависит от местоположения и местных условий наблюдения, что создает острую потребность в специфичных для участка данных, которые часто дефицитны. Недавно большие языковые модели (LLM) продемонстрировали конкурентоспособную производительность и высокую эффективность данных в прогнозировании временных рядов. Несмотря на их успех, существующие методы прогнозирования на основе LLM остаются преимущественно унимодальными, полагаясь в основном на исторические числовые данные временных рядов. Эффективное включение изображений неба в систему прогнозирования на основе LLM остается недостаточно изученным и представляет собой открытую проблему. В новой работе предложена SolCloudLLM — мультимодальная система прогнозирования на основе LLM.
Инновационный подход к прогнозированию
SolCloudLLM выравнивает фрагменты изображений неба с фрагментами временных рядов и объединяет их соответствующие представления посредством двунаправленного мультимодального слияния. Это позволяет получить унифицированное представление, которое затем отображается в пространство встраивания большой языковой модели. Такой подход позволяет модели учитывать как исторические числовые данные, так и визуальную информацию о состоянии неба, что является ключевым для точного прогнозирования в условиях переменной облачности.
Результаты испытаний и преимущества
Обширные эксперименты, проведенные на наборах данных SIRTA и SKIPP'D, показали, что SolCloudLLM последовательно превосходит лучшие базовые методы по среднеквадратичной ошибке (MSE) на всех горизонтах прогнозирования. Максимальное относительное снижение MSE составило 25,4%. Стратифицированный анализ дополнительно показал, что преимущества мультимодального слияния сосредоточены в основном в условиях облачности. Примечательно, что SolCloudLLM достигает наилучшей производительности почти во всех сценариях с ограниченным количеством данных, в то время как другие базовые методы глубокого обучения демонстрируют существенное снижение производительности и часто уступают не обучающимся физическим методам.
Источник: cs.LG updates on arXiv.org
