Кайра жаралуучу энергия өндүрүшү узак мөөнөттүү тенденциялар менен катар мезгилдик кыймылдарды жана жогорку жыштыктагы кокустук өзгөрүүлөрдү камтыйт. Стандарттуу Transformer моделдери узак убакыт аралыктарындагы байланыштарды self-attention аркылуу үйрөнө алганы менен, жалаң гана чийки убакыт катарына таянганда жергиликтүү чектен чыккан маанилерге жана кыска мөөнөттүү ызы-чууга ашыкча ылайыкташып калышы мүмкүн. Бул өзгөчө бир нече ай алдыга божомолдоодо божомол ийри сызыгынын чыныгы узак мөөнөттүү багыттан алыстап кетишине алып келиши мүмкүн.

Li Ye жана анын кесиптештери бул көйгөйдү азайтуу үчүн Grey System Theory менен Transformer архитектурасын бириктирген кош каналдуу Grey-Transformer моделин сунушташат. Бир эле тарыхый энергия өндүрүшүнүн катары моделге эки формада кирет. Raw каналы кыска мөөнөттүү термелүүлөрдү сактап калса, Accumulated Generating Operation (AGO) каналы өткөн маанилерди топтолмо түрдө кошуп, жылмакайыраак жана төмөн жыштыктагы эволюциялык эталон түзөт. Эки канал бирге колдонулганда Transformer кыска мөөнөттүү өзгөрүүлөрдү да, узагыраак мөөнөттүү багытты да бир эле attention механизминин ичинде баалай алат.

АКШнын 2001–2025-жылдардагы айлык биомасса жана шамал электр өндүрүшү боюнча маалыматтарында жүргүзүлгөн эксперименттерде Grey-Transformer 1, 3 жана 6 айлык божомол горизонтторунда стандарттуу Transformer, Informer, Random Forest, SVR жана үч салттуу боз моделге караганда төмөн MAPE маанилерин берген. Ошол эле учурда изилдөө болгону эки бир өзгөрмөлүү убакыт катарын колдонот, метеорологиялык киргизүүлөрдү камтыбайт жана детерминисттик чекиттик божомолдорду чыгарат. Натыйжалар моделдин изилденген эки катардагы иштөөсүн көрсөтөт; бардык кайра жаралуучу энергия системаларында ушундай эле артыкчылык болорун далилдебейт.

Көп кадамдуу энергия божомолдоосунда негизги көйгөй эмнеде?

Убакыт катарынын модели кийинки айды гана божомолдогондо кичине жергиликтүү ката чектелүү бойдон калышы мүмкүн. Божомол горизонту бир нече кадамга узарганда моделдин катардын жалпы багытын туура эмес үйрөнүшү олуттуураак натыйжага алып келиши мүмкүн.

Булак бул көйгөйдү эки түшүнүк менен түшүндүрөт:

• High-frequency noise overfitting: моделдин жергиликтүү кескин кыймылдарга керектүүдөн ашык маани бериши.
• Trend drift: алдыга божомолдоо ийри сызыгынын катардын чыныгы макроскопиялык эволюция багытынан бара-бара алысташы.

Стандарттуу self-attention өткөн мезгилде кайсы убакыт чекиттери маанилүү экенин маалыматтан үйрөнөт. Бирок моделде узак мөөнөттүү багытты ачык чагылдырган структуралык эталон жок болсо, кескин жергиликтүү чокулар attention салмактарына үстөмдүк кылышы мүмкүн.

Accumulated Generating Operation (AGO) Эмне Кылат?

AGO — Grey System Theory ичинде колдонулган катарды өзгөртүү операциясы. Биринчи тартиптеги AGO баштапкы катардагы маанилерди кезеги менен кошот.

\[ x^{(1)}(k)=\sum_{j=1}^{k}x^{(0)}(j) \]

Бул жерде \(x^{(0)}\) чийки убакыт катарын, ал эми \(x^{(1)}\) биринчи тартиптеги топтолмо катарды билдирет.

Кыска мөөнөттүү оң жана терс термелүүлөр топтолмо түзүлүштүн ичинде жарым-жартылай теңелгендиктен, пайда болгон катар чийки катарга караганда жылмакай болуп калат. Булак бул жүрүм-турумду төмөн жыштыктарды өткөрүүчү фильтрдин таасирине салыштырат.

Бул өзгөртүүнүн артыкчылыгы — узак мөөнөттүү багытты көрүнүктүү кылышы. Кемчилиги — ошол эле жылмалоо процесси кыска мөөнөттүү деталдардын бир бөлүгүн азайтышы.

Ошондуктан макала AGO катарын гана божомол киргизүүсү катары колдонбойт.

Raw–AGO Кош Каналы Эмне Үчүн Колдонулат?

Grey-Transformer моделинин негизги дизайны — бири-биринин жетишпеген жактарын толуктаган убакыт катарынын эки көрүнүшүн бир убакта колдонуу.

Белгилүү бир божомол учурундагы узундугу \(L\) болгон чийки терезе:

\[ \mathbf{x}^{(0)}_t= [x^{(0)}(t-L+1),\ldots,x^{(0)}(t)] \]

жана ошол эле мезгилдеги AGO терезеси:

\[ \mathbf{x}^{(1)}_t= [x^{(1)}(t-L+1),\ldots,x^{(1)}(t)] \]

түрүндө алынат.

Андан соң эки катар жанаша бириктирилип:

\[ Z_t=[\mathbf{x}^{(0)}_t,\mathbf{x}^{(1)}_t] \]

түрүндө эки белгиден турган киргизүү матрицасы түзүлөт.

Grey-Transformer Ичинде Эмне Болуп Жатат?

Кош канал түзүлгөндөн кийин түзүлүш стандарттуу Transformer encoder логикасына жакындайт.

Киргизүү адегенде сызыктуу embedding аркылуу жогорку өлчөмдүү өкүлчүлүк мейкиндигине өткөрүлөт жана убакыт тартиби жоголбошу үчүн positional encoding кошулат:

\[ H^{(0)}=Z_tW_{emb}+P_{pos} \]

Андан кийин ар бир attention head үчүн Query, Key жана Value матрицалары түзүлөт.

Негизги scaled dot-product attention:

\[ Attention(Q,K,V)= softmax\left(\frac{QK^T}{\sqrt{d_k}}\right)V \]

түрүндө иштейт.

Булак сунуш кылган жаңылык attention теңдемесин толугу менен өзгөртүү эмес. Жаңылык — бул attention эсептөөсү ызы-чуулуу чийки катарды гана эмес, чийки маалымат менен AGO түзгөн узак мөөнөттүү структуралык эталонду да бирге көрүшү.

Attention бөлүштүрүлүшү кантип өзгөрөт?

Булактын 3-сүрөтүндө стандарттуу Transformer attention картасында айрым жергиликтүү чокуларга топтолгон тилкелер көрүнсө, Grey-Transformer моделинде салмактар кеңири тарыхый аймактарга тараганы көрсөтүлөт.

Бул айырма attention entropy менен да өлчөнөт:

\[ H=-\sum_{i=1}^{W}\alpha_i\log \alpha_i \]

Бул жерде \(\alpha_i\) — белгилүү бир мурунку убакыт кадамынын attention салмагы.

Жогорку entropy attention аз сандагы чекиттерге ашыкча топтолбостон тарыхый терезеге кененирээк тараганын көрсөтөт. Булак Grey-Transformer жогорку attention entropy берерин глобалдык тренд көбүрөөк эске алынып жатканынын кошумча далили катары чечмелейт.

Модель Божомолдорду Кезеги Менен Чыгарабы?

Булактын метод бөлүмүнө ылайык, жок. Grey-Transformer direct multi-step forecasting колдонот.

Encoder'дин акыркы убакыт кадамындагы өкүлчүлүктөн келечектеги \(K\) максат түз эле бирге чыгарылат:

\[ \hat{\mathbf y}_t = [\hat y_{t+h_1}, \hat y_{t+h_2}, \ldots, \hat y_{t+h_K}] \]

Бул дизайндын максаты — биринчи божомолду экинчи божомолго, экинчисин үчүнчүгө киргизүүчү recursive forecasting түзүлүшүндөгү механикалык ката чынжырын азайтуу.

Булактын натыйжалар бөлүмүндө колдонулган “autoregressive extrapolation” деген сөз айкашы бул метод аныктамасына шайкеш келбейт; Verianla баяндамасында метод бөлүмүндөгү ачык математикалык аныктама негиз катары алынган.

Изилдөөнүн Методу жана Натыйжалары

Маалымат топтомдору

Маалыматты бөлүү

299 байкоо хронологиялык түрдө бөлүнгөн:

• 203 ай окутуу,
• 72 ай валидация,
• 24 ай акыркы тест.

Z-score нормалдаштыруу параметрлери окутуу топтомунан гана эсептелген. Ошентип, валидация же тест мезгилинин орточо мааниси менен стандарттык четтөөсүнүн окутуу баскычына агып киришине жол берилген эмес.

Жылма терезе

Өткөн терезенин узундугу:

12, 18, 24, 36 же 48 ай

талапкерлеринин арасынан валидация топтому аркылуу тандалган.

Божомол горизонттору

Үч өзүнчө тапшырма түзүлгөн:

• 1 ай алдыга,
• 3 ай алдыга,
• 6 ай алдыга.

24 айлык тест бөлүгүндө rolling forecast evaluation колдонулган.

Салыштырылган моделдер

Биомасса өндүрүшүнүн натыйжалары

Стандарттуу Transformer моделинде божомол горизонту узарган сайын MAPE %9,43төн %16,12ге чейин жогоруласа, Grey-Transformer %6,34–7,75 диапазонунда калат.

Булактын 5-сүрөтүндө да стандарттуу Transformer жана Informer божомолдору узак горизонттордо чыныгы катардан жогору карай алыстап, Grey-Transformer ийри сызыгы чыныгы маалымат диапазонунда кала турганы көрсөтүлгөн.

Шамал өндүрүшүнүн натыйжалары

Шамал катары салттуу боз моделдер үчүн өзгөчө кыйын көрүнөт. GM(1,1) жана DGM(1,1) алты айлык божомолдо %81,37 MAPE берген. Бул жыйынтык бир гана төмөн жыштыктагы топтолмо тренд жогорку өзгөрмөлүү шамал өндүрүшүн чагылдырууда жетишсиз экенин көрсөтөт.

Ablation изилдөөсү эмнени көрсөтөт?

Булак эки негизги компонентти өз-өзүнчө алып салат.

AGO алып салынганда: түзүлүш стандарттуу Transformer'ге айланат.

Биомассада MAPE:

• %9,43 → %14,04 → %16,12

түрүндө горизонт менен кошо өсөт.

Transformer алып салынганда: түзүлүш салттуу GM(1,1) сыяктуу AGO-гана моделине чейин жөнөкөйлөтүлөт.

Шамалда MAPE:

• %60,74 → %69,54 → %81,37

деңгээлдерине чыгат.

Толук Grey-Transformer болсо ошол эле шамал тапшырмаларында:

• %11,90 → %11,40 → %10,56

берет.

Авторлор бул салыштырууну эки компоненттин бири-бирин толукташынын эксперименттик далили катары чечмелешет: AGO узак мөөнөттүү багытты стабилдештирсе, Transformer жергиликтүү жана сызыктуу эмес термелүүлөрдү кайра түзөт.

Статистикалык маанилүүлүк

Изилдөө one-step-ahead натыйжаларынын rolling-window APE маанилерин колдонуп, %5 маанилүүлүк деңгээлинде Nemenyi негизиндеги Multiple Comparisons with the Best тестин өткөрөт.

Grey-Transformer эки энергия катарында тең эң төмөн орточо рангга ээ болгон.

Бирок өзгөчө биомасса тестинде стандарттуу Transformer жана Informer менен критикалык аралык интервалдарынын кабатташуусу one-step деңгээлинде бул терең моделдердин ортосундагы айырмачылыктардын баары статистикалык жактан маанилүү эмес экенин билдирет.

Ошондуктан туура жыйынтык:

Grey-Transformer эң жакшы орточо ката рангын алган жана көптөгөн benchmark моделдеринен статистикалык жактан маанилүү айырмаланган.

Бирок:

“Бардык моделдерден бардык шартта статистикалык жактан маанилүү түрдө жогору” деген жыйынтык булак тарабынан көрсөтүлгөн эмес.

Булактын ичиндеги RMSE дал келбестиги

Шамалдын бир кадамдык тести тууралуу түшүндүрмө абзац Grey-Transformer үчүн RMSE = 6095,5 деп берет. Ал эми 5-таблицада:

RMSE = 6905,5

деп жазылган.

Таблицадагы сандык маани менен баяндама бирдей эмес. Verianla бул эки маанинин бирин үнсүз түрдө “туура” деп кабыл албайт.

Булактын ичиндеги божомол ыкмасынын дал келбестиги

Методология бөлүмү модель келечектеги максаттарды түздөн-түз бир чыгуу катмарында чыгарарын так көрсөтөт. Ошондуктан ыкма direct multi-step forecasting.

Натыйжалар бөлүмүндө колдонулган “autoregressive extrapolation” деген сөз айкашы метод сүрөттөмөсү менен техникалык жактан дал келбейт.

Изилдөө колдогон жыйынтык

Булак маалыматтары менен колдоого алынган: Raw жана AGO каналдарын бирге колдонгон Grey-Transformer изилденген АКШнын айлык биомасса жана шамал катарларында 1, 3 жана 6 айлык божомолдордо тандалган benchmark моделдерине караганда төмөн тесттик MAPE көрсөткүчтөрүн берген. Ablation натыйжалары AGO каналын алып салуу өзгөчө узагыраак божомол горизонтторунда катанын өсүшү менен байланыштуу экенин көрсөтөт.

Изилдөө колдобогон жыйынтык

Булак көрсөтпөгөн: Модель бардык шамал парктарында, күн энергиясын өндүрүүдө, ар түрдүү өлкөлөрдө же реалдуу убакыттагы электр рыногу операцияларында ушундай эле натыйжа берери көрсөтүлгөн эмес.

Изилдөө реалдуу убакыттагы тармактык башкаруу экспериментин жүргүзгөн эмес жана өндүрүш пландоосундагы экономикалык үнөмдөөнү же тармак туруктуулугунун жакшырышын түз өлчөгөн эмес.

Ошондой эле модель шамал ылдамдыгы, температура, күн нуру, басым же башка метеорологиялык өзгөрмөлөрдү колдонбогондуктан, аба ырайынын таасирин өзүнчө моделдебейт.

Булак жана Метод Эскертүүсү

Түп нуска иш: A dual-channel Grey-Transformer architecture with structural priors for renewable energy generation prediction.

Авторлор: Li Ye, Xinyu Song, Shuting Jin, Xiao Shen, Chunya Li, Tingting Yu.

Булак: SSRN preprint.

SSRN Abstract ID: 6904179.

DOI: 10.2139/ssrn.6904179.

SSRN'ге жөнөтүлгөн күнү: 9-июнь 2026.

Барак саны: 53.

Рецензия абалы: Рецензияланбаган preprint. PDF файлында “Preprint not peer reviewed” деген белги бар.

Негизги маалымат булагы: U.S. Energy Information Administration айлык биомасса жана шамал электр өндүрүшү катарлары.

Маалымат мезгили: Январь 2001–Ноябрь 2025.

Байкоолордун саны: Ар бир катар үчүн 299.

Маалымат бөлүштүрүү: 203 окутуу, 72 валидация, 24 тест байкоосу.

Божомол горизонттору: 1, 3 жана 6 ай.

Программалоо чөйрөсү: MATLAB R2024a, CPU-only platform.

Оптималдаштыруу: Adam optimizer; максимум 200 epoch; early stopping.

Негизги баалоо метрикалары: MAE, RMSE, APE, MAPE жана sMAPE.

Салыштыруу моделдери: Transformer, Informer, SVR, Random Forest, GM(1,1), DGM(1,1), DGSM.

Статистикалык тест: One-step rolling-window APE маанилеринде Nemenyi негизиндеги Multiple Comparisons with the Best тести.

Негизги чектөө: Модель бир өзгөрмөлүү жана өткөн электр өндүрүшүн гана колдонот. Метеорологиялык ковариаттар жок.

Экинчи негизги чектөө: Модель ыктымалдык божомол интервалын эмес, детерминисттик чекиттик божомолду чыгарат.

Тышкы валидациянын чеги: Болгону эки АКШ айлык энергия катарында сыналган.

Булак ичиндеги маалымат эскертүүсү: Шамал бир кадамдык Grey-Transformer RMSE мааниси баяндамада 6095,5, 5-таблицада 6905,5 деп берилген.

Булак ичиндеги метод эскертүүсү: Метод direct multi-step prediction катары аныкталганы менен, натыйжалар бөлүмүндө autoregressive extrapolation деген сөз айкашы колдонулган.

Каржылоо: Изилдөө National Natural Science Foundation of China, Humanity and Social Science Youth Foundation of Ministry of Education, Hubei Provincial Natural Science Foundation, Hubei Education Department жана Hubei Industrial Policy and Management Research Center сыяктуу бир нече фонд тарабынан колдоого алынган.

Автордук укук/лицензия: Каралган булакта жана жеткиликтүү SSRN жазуусунда конкреттүү ачык Creative Commons кайра колдонуу лицензиясы ырасталбагандыктан, ачык лицензия деп кабыл алынган эмес.