熱力学リキッド・マニホールド・ネットワーク：自律型オフグリッド・マイクログリッドにおける太陽光予測のための物理制約付き深層学習

要旨: 自律型の系統外（オフグリッド）太陽光発電システムを安定運用するには、大気の熱力学を尊重する太陽予測アルゴリズムが必要である。現在の深層学習モデルは一貫して重大な異常を示し、主に雲の遷移時における深刻な時間位相の遅れと、物理的に不可能な夜間の発電（生成）という問題が中心となっている。データ駆動のモデリングと決定論的な天体力学との間のこの不一致を解消するため、本研究ではThermodynamic Liquid Manifold Networkを提案する。本手法は、22の気象および幾何学的変数をKoopman線形化されたリーマン多様体へ投影し、複雑な気候ダイナミクスを体系的に対応づける。アーキテクチャは、Spectral Calibrationユニットと、乗算型のThermodynamic Alpha-Gateを統合している。このシステムは、理論的な晴天時の境界モデルとともに、リアルタイムの大気不透明度を合成し、構造的に厳密な天体幾何学への適合を強制する。これにより、ファントム（幻影的）な夜間発電を完全に無効化しつつ、急激な天候変化の際にゼロラグの同期を維持する。過酷な半乾燥気候において、厳密な5年間のテスト期間で検証した結果、この枠組みはRMSE 18.31 Wh/m2、ピアソン相関 0.988を達成した。モデルは、1826日すべてのテスト日について夜間誤差のゼロ・マグニチュードを厳密に維持し、高周波の光学的トランジェント（過渡現象）に対しては30分未満の位相応答を示す。合計63,458個の学習可能パラメータのみで構成される、この超軽量設計は、エッジ配備可能なマイクログリッド制御器のための、堅牢で熱力学的整合性を備えた標準を確立する。