Learning Long-Term Temporal Dependencies in Photovoltaic Power Output Prediction Through Multi-Horizon Forecasting

Resumen Técnico: Aprendizaje de Dependencias Temporales a Largo Plazo en la Predicción de la Potencia de Salida Fotovoltaica Mediante Pronóstico Multi-Horizonte

Planteamiento del Problema
La rápida expansión de la capacidad fotovoltaica (FV) solar introduce desafíos significativos para la estabilidad de la red debido a la naturaleza intermitente de la irradiancia solar, impulsada por variaciones estacionales y cambios repentinos del clima. Si bien la predicción directa basada en aprendizaje profundo utilizando imágenes del cielo basadas en tierra (GSI) se ha convertido en un enfoque dominante, la literatura existente está limitada por dos restricciones principales:

1. Enfoque en un Solo Horizonte: La mayoría de los modelos se entrenan para predecir un único valor futuro (predicción puntual) en un momento específico $T$, lo que impide aprovechar las ricas dependencias temporales inherentes a la evolución de las condiciones solares.
2. Evaluaciones Específicas de Arquitectura: La investigación a menudo se basa en una única arquitectura de red (por ejemplo, una variante específica de CNN) y conjuntos de datos pequeños, lo que limita la generalización de las conclusiones sobre el rendimiento del modelo.

La pregunta de investigación central abordada es si un modelo de aprendizaje profundo entrenado para pronosticar múltiples puntos temporales futuros simultáneamente puede capturar más eficazmente las complejas dependencias temporales que gobiernan las condiciones solares en comparación con la estimación de un solo punto tradicional.

Metodología
Los autores proponen un marco de pronóstico multi-horizonte que cambia el paradigma de la estimación de un solo paso a la optimización conjunta sobre una secuencia de valores futuros.

• Formulación del Problema: La tarea se define como una función de mapeo $\psi$ que toma imágenes históricas del cielo ($I$) y potencias de salida FV históricas ($P$) sobre una ventana $H$ con intervalo $\delta$ para predecir salidas futuras.
  • Punto Único: Predice la salida FV en un momento futuro específico $t + T$.
  • Multi-Horizonte: Predice las salidas FV para toda la secuencia desde $t + 1$ hasta $t + T$ simultáneamente.
• Independencia de la Arquitectura: El enfoque está diseñado para ser agnóstico a la arquitectura. Los autores validan esto utilizando dos modelos de referencia distintos:
  1. SUNSET: Una arquitectura CNN especializada diseñada para la predicción inmediata de potencia FV basada directamente en imágenes.
  2. MobileNet (v3 large): Una red convolucional preentrenada y ligera modificada para aceptar entradas de imágenes secuenciales y datos históricos de potencia FV.
• Procesamiento de Entrada: Los modelos ingieren imágenes secuenciales RGB del cielo (15 minutos históricos a intervalos de 1 minuto) y datos históricos de potencia FV. Para MobileNet, la capa de entrada se modifica para manejar múltiples cuadros de imagen, y las capas totalmente conectadas se congelan o adaptan para fusionar características de imagen y series temporales.
• Función Objetivo: Las redes se entrenan utilizando la pérdida de Error Cuadrático Medio (MSE) a través de todos los pasos de tiempo predichos en el horizonte.

Contribuciones Clave

1. Demostración del Aprendizaje de Dependencias a Largo Plazo: El artículo proporciona evidencia experimental de que la optimización conjunta sobre una secuencia de valores futuros permite a las redes neuronales profundas capturar mejor las dependencias temporales latentes entre pasos.
2. Mejora Independiente de la Arquitectura: Se demuestra que el enfoque multi-horizonte mejora la precisión en diferentes diseños de redes (SUNSET y MobileNet), posicionándolo como una estrategia de mejora general en lugar de un reemplazo para arquitecturas específicas.
3. Parsimonia Computacional: El método logra una precisión superior con un sobrecosto computacional negligible. El aumento en los parámetros entrenables es mínimo (por ejemplo, ~0.15% para SUNSET y ~0.4% para MobileNet) en comparación con los modelos de salida única.

Resultados Experimentales
La metodología fue evaluada utilizando el conjunto de datos SKIPP'D (Conjunto de Datos de Imágenes del Cielo y Generación de Energía Fotovoltaica), que comprende imágenes del cielo alineadas y registros FV de 2017 a 2019 bajo diversas condiciones climáticas (soleado, parcialmente nublado, nublado).

• Métricas de Rendimiento: El enfoque multi-horizonte superó consistentemente a la predicción de punto único en términos de Error Cuadrático Medio Raíz (RMSE) y Error Absoluto Medio (MAE).
  • En el modelo SUNSET con entradas de 64×64, las mejoras en RMSE fueron del 9.01% (horizonte de 15 min), 5.6% (horizonte de 30 min) y 3.4% (horizonte de 60 min).
  • Se observaron mejoras tanto en días soleados como nublados, con ganancias particularmente significativas en días soleados (por ejemplo, una mejora del 56.13% en RMSE en un día soleado de prueba específico).
• Análisis Estadístico: Los modelos multi-horizonte demostraron puntuaciones $R^2$ más altas y líneas de regresión más cercanas a la línea de identidad (línea de 45 grados), indicando un mejor ajuste y generalización.
• Análisis del Mecanismo Interno:
  • Gradientes de Pesos: El análisis de las magnitudes de los gradientes reveló que los modelos multi-horizonte exhiben una tasa de convergencia más lenta en comparación con los modelos de punto único. Esto sugiere que la red evita la "convergencia prematura" (quedarse atrapada en mínimos locales) y continúa aprendiendo características complejas durante una duración más larga.
  • Diversidad de Filtros: El análisis de similitud cosenoidal de los filtros mostró que el entrenamiento multi-horizonte mantiene una mayor diversidad de filtros, evitando que la red colapse en representaciones de características redundantes.

Significado y Afirmaciones
El artículo afirma que este trabajo proporciona una solución escalable y eficiente para mejorar la resiliencia de las redes eléctricas modernas. Al transicionar de la estimación de un solo punto a un marco holístico multi-horizonte, los autores demuestran que:

• Los modelos de aprendizaje profundo pueden modelar mejor la evolución de las condiciones solares evitando la convergencia prematura.
• Esta mejora se logra sin un costo computacional significativo, lo que la hace altamente adecuada para la integración en tiempo real en la red.
• El enfoque sirve como una actualización robusta e independiente de la arquitectura para los modelos de pronóstico existentes, mejorando la precisión predictiva en todo el horizonte de pronóstico.

Los autores mantienen modestia con respecto a las implicaciones futuras, señalando que los experimentos actuales se limitan al conjunto de datos SKIPP'D (clima de California) y a sistemas FV residenciales a pequeña escala. Sugieren que el trabajo futuro podría explorar diversas condiciones climáticas globales, la variabilidad espacial a escala de servicios públicos y la integración de variables meteorológicas (humedad, viento) o arquitecturas basadas en transformadores.