การพยากรณ์พลังงานแสงอาทิตย์คือกระบวนการรวบรวมและวิเคราะห์ข้อมูลเพื่อคาดการณ์ การผลิต พลังงานแสงอาทิตย์ในช่วงเวลาต่างๆ โดยมีเป้าหมายเพื่อลดผลกระทบจากความไม่สม่ำเสมอของพลังงานแสงอาทิตย์ การพยากรณ์พลังงานแสงอาทิตย์ใช้สำหรับการจัดการโครงข่ายไฟฟ้า อย่างมีประสิทธิภาพ และการซื้อขายพลังงาน^{[ 1 ]}

เนื่องจากอุปสรรคสำคัญในการนำพลังงานแสงอาทิตย์มาใช้ เช่น ต้นทุนวัสดุและประสิทธิภาพการแปลงต่ำ ลดลงอย่างต่อเนื่อง ปัญหาเรื่องความไม่สม่ำเสมอและความน่าเชื่อถือจึงกลายเป็นประเด็นสำคัญ^{[ 2 ]}ปัญหาเรื่องความไม่สม่ำเสมอได้รับการแก้ไขและบรรเทาลงได้สำเร็จด้วยการพยากรณ์พลังงานแสงอาทิตย์ในหลายกรณี^{[ 3 ] [ 4 ] [ 5 ]}

ข้อมูลที่ใช้ในการพยากรณ์พลังงานแสงอาทิตย์โดยทั่วไปจะรวมถึงเส้นทางโคจรของดวงอาทิตย์ สภาพ บรรยากาศการกระเจิงของแสง และลักษณะเฉพาะของโรงไฟฟ้า พลังงานแสงอาทิตย์

โดยทั่วไป เทคนิคการพยากรณ์พลังงานแสงอาทิตย์จะขึ้นอยู่กับช่วงเวลาการพยากรณ์

• การพยากรณ์อากาศระยะสั้น (พยากรณ์ล่วงหน้า 3-4 ชั่วโมง)
• การพยากรณ์ระยะสั้น (ล่วงหน้าไม่เกินเจ็ดวัน) และ
• การพยากรณ์ระยะยาว (สัปดาห์ เดือน ปี)

มีการเสนอวิธีการพยากรณ์ทรัพยากรพลังงานแสงอาทิตย์หลายวิธีตั้งแต่ปี 1970 และผู้เขียนส่วนใหญ่เห็นพ้องต้องกันว่าช่วงเวลาการพยากรณ์ที่แตกต่างกันนั้นต้องการวิธีการที่แตกต่างกัน ช่วงเวลาการพยากรณ์ที่ต่ำกว่า 1 ชั่วโมงโดยทั่วไปต้องใช้ภาพท้องฟ้าจากภาคพื้นดินและแบบจำลองอนุกรมเวลาและการเรียนรู้ของเครื่องที่ซับซ้อน ช่วงเวลาการพยากรณ์ภายในวัน ซึ่งโดยปกติจะพยากรณ์ค่าความเข้มของรังสีล่วงหน้าได้ถึง 4 หรือ 6 ชั่วโมง ต้องใช้ภาพจากดาวเทียมและแบบจำลองความเข้มของรังสี ช่วงเวลาการพยากรณ์ที่เกิน 6 ชั่วโมงมักจะอาศัยผลลัพธ์จากแบบจำลองการพยากรณ์อากาศเชิงตัวเลข (NWP) ^{[ 6 ]}

การพยากรณ์พลังงานแสงอาทิตย์แบบทันที หมายถึง การคาดการณ์ผลผลิตพลังงานแสงอาทิตย์ในช่วงเวลาหลายสิบถึงหลายร้อยนาทีล่วงหน้า โดยมีความแม่นยำในการคาดการณ์สูงถึง 90% ^{[ 7 ]}บริการพยากรณ์พลังงานแสงอาทิตย์แบบทันทีโดยทั่วไปจะเกี่ยวข้องกับความละเอียดเชิงเวลา 5 ถึง 15 นาที โดยมีการอัปเดตบ่อยครั้งถึงทุกนาที

ความละเอียดสูงที่จำเป็นสำหรับเทคนิคการพยากรณ์อากาศระยะสั้นที่แม่นยำนั้น ต้องการข้อมูลป้อนเข้าที่มีความละเอียดสูง รวมถึงภาพถ่ายภาคพื้นดิน ตลอดจนการรับข้อมูลอย่างรวดเร็วจากเซ็นเซอร์วัดความเข้มของแสง และความเร็วในการประมวลผลที่รวดเร็ว

จากนั้นการพยากรณ์แบบเรียลไทม์มักจะได้รับการปรับปรุงด้วยเทคนิคทางสถิติในกรณีของการพยากรณ์แบบเรียลไทม์ เทคนิคเหล่านี้มักจะอิงตาม การประมวลผล อนุกรมเวลาของข้อมูลการวัด รวมถึงการสังเกตการณ์ทางอุตุนิยมวิทยาและการวัดกำลังไฟฟ้าที่ส่งออกจากโรงไฟฟ้าพลังงานแสงอาทิตย์ จากนั้นจึงสร้างชุดข้อมูลฝึกฝนเพื่อปรับพารามิเตอร์ของแบบจำลอง ก่อนที่จะประเมินประสิทธิภาพของแบบจำลองกับชุดข้อมูลทดสอบแยกต่างหาก เทคนิคประเภทนี้รวมถึงการใช้แนวทางทางสถิติทุกประเภท เช่นค่าเฉลี่ยเคลื่อนที่แบบอัตถารีเกรสซีฟ (ARMA, ARIMA เป็นต้น) รวมถึงเทคนิคการเรียนรู้ของเครื่อง เช่นโครงข่ายประสาทเทียมเครื่องสนับสนุนเวกเตอร์ (เป็นต้น) ^{[ 8 ]}

องค์ประกอบสำคัญของการพยากรณ์พลังงานแสงอาทิตย์ในปัจจุบันคือการสังเกตการณ์ท้องฟ้าจากภาคพื้นดินและการพยากรณ์ภายในวันโดยทั่วไป^{[ 9 ]}

การพยากรณ์ ระยะสั้นให้การคาดการณ์ล่วงหน้าได้ถึงเจ็ดวัน เนื่องจากกฎระเบียบของตลาดพลังงานในหลายประเทศ การพยากรณ์ระหว่างวันและการพยากรณ์พลังงานแสงอาทิตย์ล่วงหน้าหนึ่งวันจึงเป็นช่วงเวลาที่สำคัญที่สุดในหมวดหมู่นี้ โดยพื้นฐานแล้ว วิธีการพยากรณ์ระยะสั้นที่มีความแม่นยำสูงทั้งหมดจะใช้ข้อมูลหลายแหล่ง เช่น ตัวแปรทางอุตุนิยมวิทยา ปรากฏการณ์สภาพอากาศในท้องถิ่น และการสังเกตการณ์ภาคพื้นดิน ควบคู่ไปกับแบบจำลองทางคณิตศาสตร์ที่ซับซ้อน

สำหรับการพยากรณ์ภายในวัน ข้อมูลเมฆในพื้นที่จะถูกรวบรวมโดยเครื่องถ่ายภาพท้องฟ้าภาคพื้นดินหนึ่งเครื่องหรือหลายเครื่องด้วยความถี่สูง (1 นาทีหรือน้อยกว่า) การรวมภาพเหล่านี้และข้อมูลการวัดสภาพอากาศในพื้นที่จะถูกประมวลผลเพื่อจำลองเวกเตอร์การเคลื่อนที่ของเมฆและความลึกเชิงแสงเพื่อให้ได้การพยากรณ์ล่วงหน้าได้ถึง 30 นาที^{[ 10 ]}

วิธีการเหล่านี้ใช้ประโยชน์จาก ดาวเทียม ตรวจอากาศที่ โคจรอยู่กับที่หลาย ดวง (เช่นกลุ่มดาวเทียม Meteosat Second Generation (MSG) )เพื่อตรวจจับ ระบุลักษณะ ติดตาม และทำนายตำแหน่งในอนาคตของกลุ่มเมฆดาวเทียมเหล่านี้ทำให้สามารถสร้างการพยากรณ์พลังงานแสงอาทิตย์ในพื้นที่กว้างได้โดยการประยุกต์ใช้การประมวลผลภาพและ อัลก อริ ธึมการพยากรณ์ อัลกอริธึมการพยากรณ์ที่ใช้ดาวเทียมบางส่วน ได้แก่ เวกเตอร์การเคลื่อนที่ของเมฆ (CMVs) ^{[ 11 ]}หรือวิธีการตามกระแส^{[ 12 ]}

วิธีการพยากรณ์ระยะสั้นส่วนใหญ่ใช้ แบบจำลอง การพยากรณ์สภาพอากาศเชิงตัวเลข (NWP) ซึ่งให้การประมาณการที่สำคัญเกี่ยวกับการพัฒนาของตัวแปรสภาพอากาศ แบบจำลองที่ใช้ ได้แก่ระบบการพยากรณ์ระดับโลก (GFS) หรือข้อมูลจากศูนย์พยากรณ์อากาศระยะกลางแห่งยุโรป ( ECMWF ) แบบจำลองทั้งสองนี้ถือเป็นแบบจำลองการพยากรณ์ระดับโลกที่ทันสมัยที่สุด ซึ่งให้การพยากรณ์ทางอุตุนิยมวิทยาได้ทั่วโลก

เพื่อเพิ่มความละเอียดเชิงพื้นที่และเวลาของแบบจำลองเหล่านี้ จึงได้มีการพัฒนาแบบจำลองอื่นๆ ขึ้นมา ซึ่งโดยทั่วไปเรียกว่าแบบจำลองระดับกลาง (mesoscale models) เช่นHIRLAM , WRFหรือMM5เป็นต้น เนื่องจากแบบจำลองพยากรณ์อากาศเชิงตัวเลข (NWP) เหล่านี้มีความซับซ้อนสูงและยากต่อการใช้งานบนคอมพิวเตอร์ส่วนบุคคล ตัวแปรเหล่านี้จึงมักถูกพิจารณาว่าเป็นข้อมูลป้อนเข้าภายนอก (exogeneous inputs) สำหรับ แบบจำลอง การแผ่รังสีแสงอาทิตย์และนำเข้าจากผู้ให้บริการข้อมูลที่เกี่ยวข้อง ผลการพยากรณ์ที่ดีที่สุดจะได้รับจากการนำข้อมูลมาใช้ร่วมกัน (data assimilation )

นักวิจัยบางคนเสนอให้ใช้เทคนิคการประมวลผลภายหลังจากการได้ผลลัพธ์ของแบบจำลอง เพื่อให้ได้ มุมมอง เชิงความน่าจะเป็นเกี่ยวกับความถูกต้องของผลลัพธ์ โดยปกติแล้วจะทำโดยใช้เทคนิคแบบกลุ่ม (ensemble techniques) ที่ผสมผสานผลลัพธ์ต่างๆ จากแบบจำลองที่แตกต่างกันซึ่งถูกรบกวนด้วยค่าทางอุตุนิยมวิทยาเชิงกลยุทธ์ และในที่สุดก็จะให้ค่าประมาณที่ดีขึ้นของตัวแปรเหล่านั้นและระดับความไม่แน่นอน เช่นเดียวกับแบบจำลองที่เสนอโดย Bacher et al. (2009)

การพยากรณ์ ระยะยาวโดยทั่วไปหมายถึงเทคนิคการพยากรณ์ที่ใช้กับช่วงเวลาตั้งแต่หลายสัปดาห์ถึงหลายปี ช่วงเวลาเหล่านี้มีความสำคัญสำหรับผู้ผลิตพลังงานในการเจรจาสัญญากับสถาบันการเงินหรือบริษัทสาธารณูปโภคที่จำหน่ายพลังงานที่ผลิตได้

โดยทั่วไปแล้ว ขอบเขตการพยากรณ์ระยะยาวเหล่านี้มักอาศัยแบบจำลองพยากรณ์ อากาศเชิงตัวเลข (NWP)และ แบบจำลอง ภูมิอากาศวิทยานอกจากนี้ วิธีการพยากรณ์ส่วนใหญ่ยังใช้แบบ จำลอง ระดับกลาง (mesoscale models) ที่ป้อนข้อมูลการวิเคราะห์ซ้ำ (reanalysis data) เป็นอินพุต ผลลัพธ์ยังสามารถประมวลผลเพิ่มเติมด้วย วิธี การทางสถิติโดยใช้ข้อมูลที่วัดได้ เนื่องจากขอบเขตเวลาดังกล่าวมีความเกี่ยวข้องกับการใช้งานจริงน้อยกว่า และยากต่อการสร้างแบบจำลองและการตรวจสอบความถูกต้อง จึงมีเพียงประมาณ 5% ของสิ่งพิมพ์เกี่ยวกับการพยากรณ์พลังงานแสงอาทิตย์เท่านั้นที่พิจารณาขอบเขตเวลานี้

จากนั้นผลลัพธ์ใดๆ จากแบบจำลองจะต้องถูกแปลงเป็นพลังงานไฟฟ้าที่โรงไฟฟ้าพลังงานแสงอาทิตย์แห่งนั้นจะผลิตได้ ขั้นตอนนี้มักทำด้วยวิธีการทางสถิติที่พยายามเชื่อมโยงปริมาณทรัพยากรที่มีอยู่กับกำลังไฟฟ้าที่วัดได้ ข้อดีหลักของวิธีการเหล่านี้คือข้อผิดพลาดในการพยากรณ์ทางอุตุนิยมวิทยา ซึ่งเป็นองค์ประกอบหลักของข้อผิดพลาดโดยรวม อาจลดลงได้เมื่อพิจารณาถึงความไม่แน่นอนของการพยากรณ์

ดังที่ได้กล่าวไว้ก่อนหน้านี้และได้อธิบายรายละเอียดไว้ในHeinemann et al.วิธีการทางสถิติเหล่านี้ประกอบด้วยแบบจำลอง ARMA เครือข่ายประสาทเทียม เครื่องสนับสนุนเวกเตอร์ ฯลฯ ในทางกลับกัน ยังมีแบบจำลองเชิงทฤษฎีที่อธิบายว่าโรงไฟฟ้าแปลงทรัพยากรทางอุตุนิยมวิทยาเป็นพลังงานไฟฟ้าได้อย่างไร ดังที่อธิบายไว้ใน Alonso et al. ข้อได้เปรียบหลักของแบบจำลองประเภทนี้คือ เมื่อนำไปใช้แล้วจะมีความแม่นยำสูง แม้ว่าจะมีความไวต่อข้อผิดพลาดในการพยากรณ์ทางอุตุนิยมวิทยามากเกินไป ซึ่งมักจะถูกขยายให้ใหญ่ขึ้นโดยแบบจำลองเหล่านี้ สุดท้ายแล้ว แบบจำลองไฮบริดเป็นการผสมผสานระหว่างแบบจำลองทั้งสองนี้ และดูเหมือนจะเป็นแนวทางที่มีแนวโน้มที่ดีซึ่งสามารถให้ผลลัพธ์ที่ดีกว่าแต่ละแบบจำลองได้

พอร์ทัลพลังงาน

• การพยากรณ์พลังงาน

• โครงการพยากรณ์พลังงานแสงอาทิตย์และพลังงานลมโดยห้องปฏิบัติการพลังงานหมุนเวียนแห่งชาติ (NREL)