FarSky: Task-Aware Latent-Space Coupling for Generative Intra-Hour Solar Forecasting
Di cosa parla
Per prevedere la radiazione solare nell'ora successiva usando immagini del cielo, FarSky impara rappresentazioni compatte delle foto utili per stimare la radiazione e poi genera come queste rappresentazioni potrebbero evolvere nel breve termine. Da lì ottiene previsioni, anche in forma di scenari diversi che riflettono l'incertezza; nel confronto con altri metodi è risultato migliore e ha individuato più accuratamente i cambi repentini di produzione.
Cosa permette di osservare
Consente di esplorare se usare modelli che generano possibili evoluzioni delle immagini del cielo può migliorare le previsioni a brevissimo termine e fornire stime dell'incertezza, oltre a migliorare il riconoscimento dei cambi improvvisi nella produzione solare.
Dalla fonte
Accurate solar irradiance forecasting is essential for the reliable integration of photovoltaic power into modern electricity grids. All-sky imagers (ASI) provide high-resolution observations of clouds, making them well suited for intra-hour forecasting. Recent deep learning approaches have substantially improved forecast accuracy but are often limited by deterministic predictions and a reduced capability to anticipate ramp events. This work proposes FarSky, a generative forecasting framework that leverages latent-space coupling to learn task-aware representations of sky images. A multi-task autoencoder first learns a shared latent representation for image reconstruction and irradiance estimation. A latent diffusion model then generates future latent states conditioned on recent observations, from which irradiance forecasts are directly decoded. Probabilistic forecasts are inherently ob…