Réseau de neurones informé par les connaissances photovoltaïques (PKINN) : modèle de prédiction de puissance interprétable sous des conditions environnementales fluctuantes

Les conditions environnementales fluctuantes (FEC) constituent une barrière critique à la prévision précise de la puissance photovoltaïque (PV). Les modèles existants échouent souvent à capter des fluctuations abruptes et stochastiques, ce qui réduit la fiabilité des prévisions. Pour relever ce défi, cette étude propose un Réseau de Neurones Informé par les Connaissances Photovoltaïques (PKINN) interprétable. Le cadre incorpore un Modèle Explicite Quadratique (QEM) pour dériver des expressions explicites de la puissance PV et capturer de manière transparente des variations abruptes, tandis qu'un Mécanisme d'Allocation de Fluctuation (FAM) emploie un coefficient de sensibilité aux fluctuations pour quantifier l'intensité des fluctuations et allouer les données d'entrée à des branches de prédiction spécialisées. Le cadre PKINN proposé permet un apprentissage adaptatif à travers divers FEC et améliore les performances de prévision. Les évaluations expérimentales sur deux types de modules PV montrent que PKINN réduit l'erreur quadratique moyenne de prédiction d'au moins 8,73 % par rapport aux modèles à la pointe de la technologie dans divers FEC. • PKINN apprend de manière adaptative les modèles de fluctuation sous diverses conditions environnementales. • QEM formule des expressions explicites pour capturer des fluctuations abruptes de la puissance PV. • FAM quantifie les fluctuations stochastiques à travers des conditions de différentes intensités. • Les expériences démontrent que PKINN réduit le RMSE des prédictions de plus de 8,73 %.