AI‑модель обнаруживает скрытую солнечную энергию

Новая AI‑модель мгновенно раскрывает скрытую солнечную энергию на крышах

Условная диффузионная вероятностная модель (cDDPM) восстанавливает почасовой вывод скрытых за счётчиком (BTM) фотогальванических (PV) систем, используя лишь 30‑минутные данные умных счётчиков. Это даёт операторам распределительных сетей (DSO) чёткую картину ранее невидимой солнечной генерации. Генерируя множество правдоподобных PV‑профилей и добавляя статистические интервалы доверия, метод превращает низкоразрешённые данные потребления в вероятностную карту солнечных панелей.

Исследовательская группа из Университета Политехники Каталонии (UPC) разработала модель после запроса испанского DSO, который хотел оценить волатильность напряжения без знания, какие клиенты имеют солнечные панели. Таким образом, cDDPM выступает как «служба‑включатель»: как только DSO узнаёт, где установлен солнечный модуль, он может запускать любые инструменты управления сетью – от контроля напряжения до планирования отклика спроса.

Как работает условная диффузионная модель

cDDPM изучает распределение суточной генерации солнечной энергии, условно опираясь на три легко‑получаемых входа: чистое потребление по умному счётчику, локальная солнечная радиация и географические особенности (широта, ориентация крыши). При выводе модель стартует с случайного шума и итеративно его очищает, используя 1‑D U‑Net нейронную сеть, фиксирующую временные паттерны в течение дня. В результате получается набор синтетических PV‑кривых, которые соблюдают физику солнечной генерации и одновременно соответствуют наблюдаемой чистой нагрузке.

Поскольку модель условная, добавление дополнительной информации (например, потребления за вчера) сужает полосы неопределённости. Авторы показали, что сочетание радиации с текущим и предыдущим днём чистого потребления даёт наилучшую точность восстановления.

Источники: оригинальное исследование в Energy and AI (журнал pv), подробная методология в препринте UPC ScienceDirect, технический отчёт UPCommons.

Доказанная точность на реальных данных

Модель обучалась и тестировалась на двух публичных наборов данных жилых домов:

• Австралия – 257 домов с полугодовым набором данных о потреблении и PV‑выводе за полный год.
• Нидерланды – отдельный набор, использованный для проверки кросс‑региональной обобщаемости.

На обоих наборах cDDPM превзошла классические физические методы дисагрегации, прокси‑подходы, ансамблевые обучатели, кванти́льную регрессию и даже условные вариационные автокодировщики. Детерминированные метрики улучшились: RMSE стал ниже лучшего детерминированного эталона, а вероятностные метрики, такие как покрытие предиктивного интервала (PICP), достигли требуемого уровня при узкой ширине интервала (низкий PINAW). Калибровочные графики подтвердили надёжность полос неопределённости, особенно в солнечные периоды, когда PV‑вывод доминирует в чистой нагрузке.

См. результаты в конференц‑документе авторов репозиторий KAUST и сводке рабочей группы IEEE IEEE PES.

Почему оценка неопределённости важна для DSO

Операторам сетей нужны не только точечные оценки скрытого солнечного производства, но и понимание, насколько они уверены в этих оценках, чтобы избежать пере‑ или недореагирования. Вероятностный вывод cDDPM позволяет DSO:

1. Планировать контроль напряжения с известным запасом риска, снижая вероятность перегрузок.
2. Выделять гибкие ресурсы (например, отклик спроса или аккумуляторы) только там, где прогноз солнечной генерации достаточно точен.
3. Разрабатывать тарифы, справедливо учитывающие клиентов, у которых чистая нагрузка сильно маскируется самопотреблением.

Наличие 95 % доверительного интервала для каждой восстановленной PV‑кривой – шаг вперёд по сравнению с детерминированной дисагрегацией, которая может вводить операторов в заблуждение во время облачных всплесков.

Расширение подхода на батареи и электромобили

Авторы отмечают, что добавление данных о батареях в обучающий набор позволит cDDPM отделять генерацию PV от заряд‑разрядных процессов аккумуляторов. В домах без батарей условие только на радиацию уже даёт конкурентоспособные результаты. Для зарядки электромобилей (EV) влияние на дисагрегацию небольшое, поскольку большинство домашней зарядки происходит после заката, когда PV‑вывод почти нулевой. Однако при умной зарядке, синхронизирующей нагрузку EV с полуденной солнечной энергией, модель потребует дополнительных переменных – ценовые сигналы электроэнергии или пользовательские окна зарядки – чтобы сохранять низкую неопределённость.

Схожие выводы о батареях BTM и гибкости обсуждаются в обзоре Ember Ember.

Что это значит для Израиля

Израильские распределительные сети уже сталкиваются с быстрым ростом домашней солнечной энергии – значительная часть одноэтажных домов теперь оснащена солнечными панелями. Поскольку большинство установок находятся за счётчиком клиента, Израильская электрическая служба и оператор сети NOGA не имеют точного видения, что усложняет управление напряжением и точный прогноз нагрузки.

Если израильский DSO внедрит cDDPM, он сможет выявлять типичную скрытую систему мощностью 10 kW, характерную для дома в центральной части страны. По проверенным израильским данным:

• Годовая генерация ≈ 17 000 kWh (центр‑регион: 1 700 kWh/kW · 10 kW).
• При тарифе на выкуп электроэнергии для бытовых потребителей ₪0,48 /кWh эта генерация стоит ₪8 160 в год экономии на покупках электроэнергии для владельца.
• Выявление скрытой мощности по всей линии может существенно снизить полуденную нагрузку, уменьшить напряжение и отложить дорогостоящие модернизации сети.

Простой расчёт окупаемости показывает экономику для домовладельца: система 10 kW стоит около ₪31 500 (₪3 150 / kW) и приносит ₪8 160 в год, что даёт около 3,9‑летнего срока окупаемости даже без субсидий – тот же расчёт, использованный в израильском «примерном расчёте». Когда DSO надёжно отмечает такие системы, он может разрабатывать более точные тарифы net‑metering, целенаправленно предлагать стимулы и лучше координировать гибкость от батарей или EV.

Для желающих посчитать свои цифры, наш калькулятор ROI солнечной энергии (/calculator) и страница с рыночными данными (/data) позволяют подставить типичные израильские параметры.

Перспективы масштабирования видимости BTM по всему миру

cDDPM демонстрирует, что глубокие генеративные AI‑модели могут превратить грубые данные умных счётчиков в высокоразрешённую картину распределённой солнечной энергии. По мере цифровизации учётных систем коммунальных служб и роста распространения батарей и EV, тот же условный диффузионный подход может быть расширен для совместной дисагрегации нескольких гибких ресурсов. Исследователи уже изучают многоресурсное условие (PV + батарея + EV) и включение ценовых сигналов для поддержания низкой неопределённости в всё более сложных ландшафтах спроса.

В ближайшие годы ожидается:

• Стандартизация отчётности об неопределённости для BTM‑DER, поддерживаемая IEEE PES и руководящими документами ЕС по распределительным системам.
• Открытые наборы инструментов, позволяющие DSO подключать локальные данные о радиации и потреблении без необходимости в закрытых наборах данных.
• Регуляторные стимулы, вознаграждающие компании за повышение видимости, поскольку более точные прогнозы напрямую снижают затраты на отклонения и откладывают укрепление сети.

Для Израиля послание ясно: внедрение вероятностной дисагрегации, такой как cDDPM, уточнит картину солнечных панелей на крышах, поможет достичь цели 30 % возобновляемой электроэнергии к 2030 году и даст домохозяйствам более прозрачный путь к энергетической самостоятельности.

---

FAQ

• Что такое cDDPM? Это условная диффузионная вероятностная модель, генерирующая множество правдоподобных кривых вывода солнечных панелей из низкоразрешённых данных умных счётчиков, предоставляя как точечные оценки, так и интервалы неопределённости.
• Почему нельзя просто использовать данные умных счётчиков? Умные счётчики фиксируют чистое потребление, которое смешивает генерацию PV с нагрузкой. Без дисагрегации DSO не может понять, какая часть снижения нагрузки обусловлена солнечной энергией, а какая – уменьшением спроса.
• Насколько точен метод? На австралийских и голландских тестовых наборах он показал более низкий RMSE по сравнению с лучшим детерминированным эталоном и обеспечил 95 % покрытие предсказательных интервалов.
• Работает ли он для домов с батареями? Да, но модель требует обучающих данных, включающих паттерны заряд‑разряда батарей; в противном случае условие только на радиацию всё равно даёт приемлемые результаты.
• Могут ли израильские коммунальные компании внедрить его уже сегодня? Да – методология требует лишь существующие полуторные данные умных счётчиков, локальные прогнозы солнечной радиации и базовые географические атрибуты, которые уже собираются израильскими DSO.

---

Ключевые факты

• cDDPM восстанавливает скрытый вывод PV из 30‑минутных данных умных счётчиков с 95 % доверительным интервалом.
• В австралийских тестах модель показала более низкий RMSE, чем лучший детерминированный эталон.
• Типичная израильская 10 kW домашняя солнечная система генерирует ~17 000 kWh/год, что стоит ₪8 160 по бытовому тарифу.
• Модель можно расширить, добавив данные о батареях и электромобилях через дополнительные условные переменные.

Источники и дополнительное чтение

• Conditional diffusion modeling for probabilistic behind-the-meter PV...
• Conditional diffusion modeling for probabilistic... - UPCommons
• Conditional denoising diffusion probabilistic model based ante-hoc...
• Conditional Denoising Diffusion Probabilistic Models for Data... - arXiv
• A Conditional Denoising Diffusion Probabilistic Model for Point...