On the Importance of Clearsky Model in Short-Term Solar Radiation Forecasting

本文提出了一种基于极端学习机（ELM）的无晴空模型短期太阳辐射预测方法，该方法直接从原始辐照度数据中学习周期性与局部变化，克服了传统晴空模型在同步误差和气溶胶敏感性等方面的局限，实现了比传统基准更准确且具备鲁棒不确定性量化的实时预测。

要点

这篇论文就像是在给太阳能发电的“天气预报”做了一次大瘦身和大升级。

为了让你轻松理解，我们可以把预测太阳能（比如屋顶光伏板能发多少电）想象成预测明天的天气，或者更具体点，预测明天你开车能开多快。

1. 以前的做法：带着“复杂地图”开车（Clearsky 模型）

过去，科学家预测太阳能时，习惯用一种叫“晴空模型”（Clearsky Model）的方法。

• 比喻：这就像你要预测明天的车速，必须先画一张极其复杂的地图，上面标好了：
  • 太阳的角度（几何关系）；
  • 大气层里有多少灰尘（气溶胶）；
  • 有多少水汽；
  • 臭氧层有多厚。
• 问题：
  • 太麻烦：你需要收集一大堆数据，还得等气象卫星发数据，经常有延迟（就像地图更新不及时）。
  • 容易出错：如果地图上的“灰尘”数据稍微有点不准，或者太阳刚升起/快落山时角度太低，整个预测就乱套了。
  • 同步困难：就像你拿着地图和实时路况对不上号，导致预测不准。

论文里说，这种老方法就像非要在开车前先把路修平、把红绿灯全部计算好，才能出发，效率太低，而且一旦天气突变（比如突然飘来一朵云），老方法就反应不过来了。

2. 这篇论文的新做法：老司机凭“感觉”开车（Clearsky-Free + ELM）

作者提出了一种新方法：“去晴空化”（Clearsky-Free）。

• 比喻：他们不再去查那些复杂的“大气地图”了，而是直接看过去的车速记录（历史太阳能数据）。
• 核心工具：他们用了一种叫**极端学习机（ELM）**的 AI 算法。
  • 这就好比雇佣了一位经验丰富的老司机。这位老司机不需要知道大气里有多少臭氧，也不需要计算太阳角度。
  • 他只需要看过去几个小时的行车记录（比如：刚才云多了，车速慢了；刚才云散了，车速快了），就能凭直觉猜出下一分钟车速会是多少。
  • 这位老司机（ELM）非常聪明，他能在几秒钟内学会过去几年的所有路况规律，甚至能自动把“灰尘”、“水汽”这些复杂因素的影响，都藏在脑子里的“经验”里，不需要你告诉他具体有多少。

3. 这场“赛车”的结果

作者让这位“新司机”（ELM）和“老地图派”（传统模型）以及“凭感觉猜”（简单模型）进行了一场比赛：

• 比准确度：新司机（ELM）在大多数情况下都赢了！特别是在预测未来 1 到 6 小时的中长期预报时，他比那些拿着复杂地图的老方法更准。
• 比速度：新司机不需要计算复杂的物理公式，反应极快，几秒钟就能算出结果，非常适合实时控制电网。
• 比稳定性：即使在太阳刚出来或快落山（光线很弱、角度很低）这种老方法容易“晕车”的时候，新司机依然表现稳定。

4. 为什么这很重要？（对普通人的意义）

想象一下，未来的电网就像一个巨大的交通指挥中心：

• 以前：因为预测不准，指挥中心不敢多用太阳能，怕突然没电了，所以还得留着很多烧煤的发电厂备用，浪费钱又污染。
• 现在：有了这个“新司机”，预测变得非常准。指挥中心可以大胆地多用太阳能，知道下一秒云来了会少发多少电，马上就能调整。
  • 结果：电网更稳定，电费可能更便宜，我们离“清洁能源”的目标更近了一步。

总结

这篇论文的核心思想就是：别被复杂的理论模型束缚住了手脚。

就像学骑自行车，你不需要先精通空气动力学和齿轮摩擦系数（复杂的晴空模型），只要多骑几次，身体自然就能掌握平衡（AI 直接学习数据规律）。

作者证明了，直接利用原始数据 + 聪明的 AI 算法，比依赖复杂的物理模型 + 繁琐的数据清洗，更能精准地预测太阳能，而且更简单、更便宜、更可靠。这就是所谓的“大道至简”。

技术摘要

论文技术总结：晴空模型在短期太阳辐射预报中的重要性

论文标题：On the Importance of Clearsky Model in Short-Term Solar Radiation Forecasting
发表信息：arXiv:2503.07647v1 (2025 年 3 月)
作者：Cyril Voyant, Milan Despotovic, Gilles Notton 等

---

1. 研究背景与问题 (Problem)

太阳辐照度（Solar Irradiance）的短期预报对于电网整合、能源平衡及可再生能源管理至关重要。然而，传统的预报方法面临以下核心挑战：

• 对晴空模型（Clearsky Models）的过度依赖：传统方法通常先利用晴空模型（如 McClear, REST2）计算理论晴空辐照度，再计算晴空指数（Clearsky Index, CSI）（即实测辐照度与理论晴空辐照度的比值），最后对 CSI 进行预报。
• CSI 方法的固有缺陷：
  • 同步误差：实测数据与模型输出在时间或空间上可能存在不匹配，特别是在低太阳高度角（日出/日落）时，阴影和遮挡会导致严重误差。
  • 输入数据依赖：晴空模型高度依赖气溶胶光学厚度（AOD）、水汽含量等大气参数。这些参数在某些地区获取困难或精度不足，导致晴空基准本身不可靠。
  • 计算复杂性与局限性：CSI 在夜间未定义，且在过渡时段（黎明/黄昏）误差显著。此外，将晴空模型结果投影到倾斜面（用于光伏预测）时，会引入各向异性扩散辐射的偏差。
  • 预处理繁琐：需要复杂的归一化（Stationarization）和去趋势处理，增加了计算成本和出错概率。

核心问题：是否可以在不依赖晴空模型及其复杂的中间计算步骤（如 CSI 归一化）的情况下，仅利用原始辐照度数据实现高精度、鲁棒的短期太阳辐射预报？

2. 方法论 (Methodology)

本研究提出了一种**“无晴空模型”（Clearsky-Free）**的预报框架，直接利用原始全球水平辐照度（GHI）数据进行端到端学习。

2.1 数据与预处理

• 数据来源：西班牙 SIAR 农业气象网络，涵盖 76 个站点，4 年历史数据，30 分钟分辨率。
• 质量控制：采用严格的质量控制流程（异常检测、离群值剔除），并使用 McClear 模型作为参考进行数据验证（尽管 McClear 不直接用于实时预报输入）。
• 输入特征：
  • 自回归特征：历史 GHI 滞后值（Lagged GHI）。
  • 时间特征：小时、一年中的第几天、季节指标。
  • 隐含大气特征：虽然不直接使用 AOD 数据，但通过历史 GHI 模式隐式学习大气衰减（气溶胶、水汽、臭氧）的影响。

2.2 核心模型：极限学习机 (Extreme Learning Machine, ELM)

• 架构：单隐层神经网络。
  • 输入层：根据预报时效动态调整（例如 1 小时预报约 78 个输入神经元）。
  • 隐层：约 4 倍于输入层大小的神经元（例如 472 个），混合使用 Sigmoid（60%）和 Gaussian（40%）激活函数。
  • 输出层：单神经元预测未来 GHI。
• 训练机制：
  • 输入权重和偏置随机初始化且固定。
  • 输出权重通过**岭回归（Ridge Regression）**解析求解（矩阵求逆），无需迭代反向传播。
  • 采用“赢家通吃”策略（Winner-takes-all），运行多次随机初始化，选择验证集 nRMSE 最优的模型。
• 优势：训练速度极快（秒级），适合实时应用；能够直接处理非平稳数据，无需显式的去趋势或差分处理。

2.3 对比基准与评估

• 确定性预报对比：
  • 无晴空模型组：ELM, 自回归模型 (AR)。
  • 有晴空模型组：基于 McClear 的 rAR (rAR 使用 CSI), 智能持久性 (SP), 气候持久性 (CLIPER), 指数平滑 (ES), 组合模型 (COMB) 等。
• 概率预报对比：
  • ELM + 查找表法：基于残差分布构建非参数预测区间。
  • 分位数回归 (QR)：作为概率预报的基准。
• 评估指标：
  • 确定性：nRMSE, nMAE, nMBE, $R^2$。
  • 概率性：CRPS (连续排名概率分数), PICP (预测区间覆盖率), MIL (平均区间长度), IS (区间分数)。

3. 关键贡献 (Key Contributions)

1. 提出并验证了“无晴空模型”范式：证明了利用机器学习（ELM）直接从原始 GHI 数据中学习大气衰减和云层变化是可行的，且性能优于依赖 CSI 的传统方法。
2. 消除了中间归一化步骤：避免了 CSI 计算带来的同步误差、夜间未定义问题以及低太阳高度角下的不稳定性，简化了预报流程。
3. 隐式学习大气物理过程：ELM 模型能够从历史数据中隐式学习气溶胶、水汽和臭氧对辐射的衰减作用，无需显式输入这些难以获取的大气参数。
4. 全面的概率预报框架：不仅提供了点预测，还通过非参数查找表方法提供了鲁棒的概率预测（不确定性量化），在精度和区间宽度之间取得了良好平衡。
5. 大规模实证研究：在 76 个不同气候特征的站点上进行了验证，涵盖了从干旱到多变沿海/山区的多种环境，证明了方法的泛化能力。

4. 研究结果 (Results)

4.1 确定性预报性能

• ELM 全面胜出：在所有时间尺度（30 分钟至 360 分钟）上，ELM 的 nRMSE 和 nMAE 均显著优于所有基准模型（包括基于晴空模型的 rAR、SP、CLIPER 等）。
• 统计显著性：Mann-Whitney U 检验显示，ELM 与次优模型（如 rAR）之间的差异在统计上高度显著（p < 0.001），特别是在中长期预报（180-360 分钟）中优势明显。
• 排名：ELM > AR > rAR > CLIPER > SP > ... > 持久性模型 (P)。
• 结论：从历史观测中学习到的“无模型”方法，比依赖理论晴空模型的方法更准确。

4.2 概率预报性能

• 区间精度：ELM 生成的预测区间比分位数回归 (QR) 更窄（MIL 更低），同时保持了较高的覆盖率（PICP 接近 80% 目标值）。
• 综合评分：ELM 的区间分数 (IS) 和 CRPS 均优于 QR，表明其预测分布与实际观测更吻合。
• 校准度：虽然 QR 的覆盖率略高，但 ELM 在区间宽度（锐度）上表现更好，提供了更具操作性的决策支持。

5. 意义与影响 (Significance)

• 操作层面的简化：该方法无需复杂的大气参数输入（如 AOD 实时反演），降低了数据获取门槛和计算成本，特别适合数据稀缺或基础设施薄弱的地区。
• 提升电网稳定性：更准确、更快速的短期预报有助于优化智能电网调度、能源交易和储能管理，减少弃光率。
• 理论突破：挑战了传统时间序列分析中必须对数据进行“平稳化”（Stationarization）的教条，证明了现代机器学习模型可以直接处理具有强周期性和非平稳性的原始太阳辐射数据。
• 未来方向：
  • 虽然当前方法在极端污染事件下可能受限，但未来可探索将高质量晴空模型作为输入特征而非预处理步骤的混合架构。
  • 该方法可推广至倾斜面辐照度（GTI）预测，这对光伏功率预测至关重要。
  • 为智能电网决策支持系统提供了一种轻量级、高鲁棒性的解决方案。

总结：该论文有力地证明了在短期太阳辐射预报中，“无晴空模型”（Clearsky-Free）结合极限学习机（ELM）的方法在准确性、鲁棒性和计算效率上均优于依赖传统晴空指数（CSI）的方法，为下一代太阳能预报系统提供了新的技术路线。