ONU Equipo de Investigadores ha desarrollado un marco de adaptación de dominio capaz de transferir el conocimiento de las plantas de energía solar con datos abundantes una planta que deben ser atrenadas sen datos datos etiquetados. El Marco se Ha probado en Tres sitios de Energía Solar en Alemania y se Descubrioe que función mejor que los modelos de referencia.
Investigadores de la Universidad Constructor de Alemania Han Desarrollado Un Nuevo Marco de Adaptación de Dominio No Supervisado para el Pronós de Energía Solar.
Su Técnica Aprende Caracteríssticas Transferibles de una planta solar con abundantes datos, y transfiere este conocimiente a otra planta de energía solar donde los datos etiquetados están ausentes. Fue presentado en el Papel Marco de adaptación de dominio no supervisado para el pronóstico de potencia fotovoltaica utilizando auto-codificadores variacionalespublicado en Energía aplicada.
El Autor correspondiente Atit Bashyal Le Dijo Revista Fotovoltaica ESO, A Diferencia de los Enfoques Supervisados Tradicionales, que dependen de los datos de energía histórica de Todos los sitios, «nuestro marco permito un pronóstico preciso un cortazos plazo incluso para sistemas o sistemas fotovoltaes recientas instensores instensores instensores».
«Logramos esto alineando las distribuciones de datos de origen y objetivo a través de la adaptación basada en codificadores automáticos variacionales (VAE), lo que permite que el modelo se generalice de manera efectiva en diferentes sistemas fotovoltaicos sin requerir datos etiquetados del Objetivo de pronóstico «, Explicó Bashyal.
ELOPO DE INVESTIGACIÓN HA NOCRADO SU NUEVA Arquitectura, La Red de Pronósestico de Reconstrucción Profunda (Drfn). El Drfn se atrenra primero en una planta fotovoltaica de orígenes con muchos datos, momento en el que aprende cómo pronosticar la energía solar y reconstruyas entradas utilizando vae.
El Modelo Luego Adapta Su Capacidad para una Nueva Planta Fotovoltaica, Que no Tiene etiquetas de datos. Mantiene El Pronsticador de la Fuente, y solo Abrena al Codificador del Codificador Minimizando la Divergencia Kullback-Leibbler (KL). La Divergencia Kl es una medida estadística que representa la distancia entrelazada.
La Arquitectura se Demostró en Tres plantas Fotovoltaicas en Alemania. SE USO UNA Planta Solar de 1.1 MW como planta de planta y se USO USA UNA Planta de 5,8 MW y UNA Planta de 2.5 MW COMO OBJETIVOS. La Planta de 5.8 MW Está Ubicada A 8 km de la planta Fuente, Mientras que la planta de 2.5 MW Está A 600 m de distancia.
Al pronosticar la operación de la planta de 5.8 MW, El Método Novedoso Tenía un error de CUADRÁTICO MEDIO (RMSE) DE 718.8 KWH, ERROR UNO ABSOLUTO MEDIO (MAE) DE 393.74 KWH Y UNO COEFICIENTE DE DEPORTINACIÓN (R2) DE 79.82%. La Planta Objetivo de 2.5 MW Logró 146.78 KWH, 78.94 KWH y 80.49%, Respetivamento.
» data-medium-file=»https://www.pv-magazine.com/wp-content/uploads/2025/08/1-s2.0-S0306261925013364-gr7_lrg-600×299.jpg» data-large-file=»https://www.pv-magazine.com/wp-content/uploads/2025/08/1-s2.0-S0306261925013364-gr7_lrg-1200×598.jpg» tabindex=»0″ role=»button» class=»size-medium wp-image-313568″ src=»https://www.pv-magazine.com/wp-content/uploads/2025/08/1-s2.0-S0306261925013364-gr7_lrg-600×299.jpg» alt=»» width=»600″ height=»299″ srcset=»https://www.pv-magazine.com/wp-content/uploads/2025/08/1-s2.0-S0306261925013364-gr7_lrg-600×299.jpg 600w, https://www.pv-magazine.com/wp-content/uploads/2025/08/1-s2.0-S0306261925013364-gr7_lrg-1200×598.jpg 1200w, https://www.pv-magazine.com/wp-content/uploads/2025/08/1-s2.0-S0306261925013364-gr7_lrg-768×383.jpg 768w, https://www.pv-magazine.com/wp-content/uploads/2025/08/1-s2.0-S0306261925013364-gr7_lrg-1536×765.jpg 1536w, https://www.pv-magazine.com/wp-content/uploads/2025/08/1-s2.0-S0306261925013364-gr7_lrg-2048×1021.jpg 2048w» sizes=»(max-width: 600px) 100vw, 600px»>
Imagen: Constructor University, Applied Energy, CC Por 4.0
LOS Resultados Se compararon con el Método de pronós de persistencia Inteligente, Logrando un Índice de Habilidad de Pronósico (FSI) de 17.37% para la Primera Planta PV OBJETIVO Y 20.13% Para El Segundoundo. En el Caso de la Primera Planta, El Método de Persistencia Inteligente Logró RMSE DE 875.85 KWH, MAE DE 466.17 KWH Y R2 DE 66.3%. En el Caso de la Segunda Planta, LOS resultados Fueron 183.78 KWH, 98.83 KWH y 65.93%, Respetivamento.
Bashyal Dijo que Uno de Los Hallazgos más Llamativos Fue la Robustez y Efectividad de los Métodos de adaptación de Dominio Frente A Los Datos de Verdad de Tierra Faltantes en El Dominio Objetivo.
«Nuestro Enfocque Superó ConstantementE El Modelo de Persistencia Inteligente y Los Modelo de Referencia, un pesar de la ausencia de etiqueta objetivo durante el atrenamiento», Explicó Bashyal. «El Estudio de Ablacia confirmó además que nUrestros Diseños ArquitectOnnicos Contribuyon Materiales A Las Ganancias de Rendimiento (Cerca de la Capacitación Con Datos), Enfatizando el Potencial Prórico de Nuestro Marco en La Configuración de Dato de Del Munundo.
Bashyal Agregó Que El Equipo de Investigación Está Planeando Estudios de Seguimiento Centrados en Ampliar El Estudio, Integrar El Apendizaje Incremental O continuo y Modelar Conjuntamento la Incertidumbre en el Pronstico. «Estos Esfuerzos Apuntan A Refinar la Solidez, Extensor la Aplicabilidad y Avanzar en el Estado de Pronósico Fotovoltaico A Través De implementaciones en Evolución y Condicatos Ambientales», Dijo.
