Meteorological data and Sky Images meets Neural Models for Photovoltaic Power Forecasting

该研究提出了一种结合天空图像、气象数据与光伏历史记录的混合多模态深度学习模型，旨在通过融合地表长波辐射、风向及太阳位置等关键变量，显著提升多云天气下的光伏功率预测精度及爬坡事件预测能力，从而增强电网对太阳能波动性的管理效率。

要点

这篇论文讲述了一个关于如何更聪明地预测太阳能发电的故事。

想象一下，太阳能就像是一个**“看天吃饭”的调皮孩子**。天气好（大晴天）时，它精力充沛，发电很多；但一旦云层飘过，它就像被蒙住了眼睛，发电量会瞬间暴跌。这种忽高忽低的波动（专业术语叫“爬坡事件”），让电网管理员非常头疼，因为他们必须时刻保证“发的电”和“用的电”完美平衡，否则电网就会不稳定。

以前的预测方法，要么只看历史数据（像看昨天的日记猜今天），要么只看天空照片（像看云图猜天气）。但这就像只靠一只眼睛看世界，不够全面，特别是在天气多变的时候，容易猜错。

这篇论文提出了一种**“三管齐下”的超级预测法**，就像给预测模型装上了**“火眼金睛”、“顺风耳”和“指南针”**。

1. 核心方法：给 AI 装上“三感”

作者把三种不同的信息融合在一起，喂给一个深度神经网络（一种很聪明的 AI 模型）：

• 👁️ 视觉（火眼金睛）：天空照片

  • 来源：他们使用了一个叫 SKIPP'D 的数据集，里面有成千上万张从地面拍摄的 360 度鱼眼天空照片。
  • 作用：就像人眼直接看云一样，AI 能直接看到云是怎么移动的、云有多厚。这是最直观的“现在”状态。

• 🌬️ 气象（顺风耳）：天气数据

  • 来源：使用了 ERA5 全球气象再分析数据。
  • 作用：这就像给 AI 配了一个气象站。不仅看云，还听风（风速、风向）、感受温度、甚至感知地面的长波辐射（一种看不见的“热辐射”）。
  • 发现：论文发现，“向下的长波辐射”（地面接收到的来自大气的热辐射）和**“风”**是预测阴天发电量的关键。这就像虽然看不见云，但能感觉到空气的湿度和热度，从而推断出云的存在。

• ☀️ 位置（指南针）：太阳在哪里

  • 来源：通过数学公式计算太阳在天空中的精确位置（方位角和高度角）。
  • 作用：这就像给 AI 一个固定的参照物。不管云怎么动，AI 都知道太阳本来应该在哪里，从而判断云是不是挡住了光，以及挡住了多少。

2. 两种任务：看现在 vs 猜未来

这个模型被训练来完成两项任务：

• 任务一：即时预测（Nowcasting）

  • 场景：就像看直播。输入当前这一秒的天空照片 + 天气数据 + 太阳位置。
  • 目标：立刻告诉电网：“接下来这一分钟，发电量是多少？”
  • 效果：在阴天时，加入气象数据（特别是风）后，预测准确度大幅提升。

• 任务二：短期预报（Forecasting）

  • 场景：就像看天气预报。输入过去 15 分钟的一系列照片和发电数据 + 未来的天气趋势。
  • 目标：预测15 分钟后的发电量。
  • 效果：这里有个有趣的发现。在预测未来时，“向下的长波辐射”（热辐射）变得特别重要。它帮助模型理解云层的热特性，从而在阴天里更准确地猜出未来的发电量。

3. 为什么这很重要？（比喻版）

想象你在开车：

• 以前的方法：就像你只盯着前方的路（看天空照片），或者只看导航的历史记录（看历史数据）。如果突然起雾（云层变化），你很容易迷路或急刹车。
• 这篇论文的方法：就像你不仅盯着路，还打开了雨刮器（看风），感受到了车内温度的变化（看辐射），并且手里拿着指南针（看太阳位置）。
  • 结果就是：即使在大雾天（多云天气），你也能稳稳地开车，知道前面哪里会有坑，哪里路会变滑。

4. 主要结论

• 混合力量大：把“眼睛看到的（图片）”和“身体感觉到的（气象数据）”结合起来，比单用一种方法强得多。
• 阴天是强项：以前大家觉得晴天好预测，阴天难。但这个方法在阴天表现尤为出色，因为它能利用气象数据“看穿”云层。
• 关键变量：研究发现，风和向下的长波辐射是提升阴天预测精度的秘密武器，而太阳位置则是让模型更聪明的“定海神针”。

总结来说，这篇论文就像给太阳能电网配备了一位**“全能管家”**。这位管家不仅会看天，还会听风、测温、辨位。有了它，电网就能更从容地应对太阳能的“脾气”，让清洁能源的使用更安全、更高效。

技术摘要

这是一份关于论文《Meteorological data and Sky Images meets Neural Models for Photovoltaic Power Forecasting》（气象数据与天空图像结合神经网络模型用于光伏功率预测）的详细技术总结。

1. 研究背景与问题 (Problem)

随着可再生能源（特别是太阳能）在电网中的占比日益增加，光伏发电的波动性成为主要挑战。云层运动导致辐照度快速变化，引发爬坡事件（Ramp Events，即功率的突然剧烈波动），这对电网的稳定性构成了严重威胁。
现有的基于天空图像的预测方法存在以下局限性：

• 预测能力不足：难以准确预测突发的功率波动（爬坡事件）。
• 鲁棒性差：在多云或复杂天气条件下，预测可靠性下降。
• 数据单一：主要依赖视觉信息，缺乏物理气象数据的辅助，导致模型缺乏可解释性且难以泛化。
• 时间跨度限制：现有方法多集中在“临近预报”（Nowcasting），缺乏对更长时间跨度的有效预测。

2. 方法论 (Methodology)

本文提出了一种多模态混合方法，将地面天空图像、历史光伏功率数据与物理气象数据相结合，利用深度神经网络进行短期（Nowcasting）和中期（Forecasting）预测。

A. 数据源

• 视觉数据 (SKIPP'D 数据集)：
  • 来源：斯坦福大学地面 360 度鱼眼相机拍摄的天空图像。
  • 处理：原始分辨率为 2048×2048，下采样至 64×64。
  • 内容：包含晴天和多云天共 20 天的数据，以及对应的 1 分钟间隔光伏功率数据。
  • 任务划分：
    • 临近预报 (Nowcast)：使用单张图像预测当前时刻功率。
    • 预报 (Forecast)：使用过去 16 分钟（16 张图像）的序列预测未来 15 分钟的功率。
• 气象数据 (ERA5 再分析数据)：
  • 来源：ECMWF 的 ERA5 数据集，覆盖相机位置周围四个网格点（NW, NE, SW, SE）。
  • 关键变量：
    • 瞬时分析变量：总云量 (tcc)、地表气压 (sp)、100 米风速分量 (100u, 100v)。
    • 预报变量：10 米阵风 (i10fg)。
    • 累积辐射变量：地表向下长波辐射 (strd)、地表向下太阳辐射 (ssrd) 等。
  • 预处理：统一时间戳、插值至 1 分钟分辨率、标准化处理。
• 太阳位置 (Sun Position)：
  • 通过 pvlib 库计算太阳方位角和高度角。
  • 根据相机朝向进行坐标转换，将太阳位置映射为图像平面上的归一化坐标 (x, y)，作为物理先验知识输入模型。

B. 模型架构

论文设计了两种神经网络架构，核心结构相似，主要区别在于输入信息的时序性：

1. 基础架构：
   • 卷积块：包含两个卷积层（3×3 滤波器，步长 1，填充 same），分别使用 24 和 48 个滤波器，后接 Batch Normalization 和 ReLU 激活函数，最后是 2×2 最大池化层。
   • 全连接块：展平特征后，输入两个全连接层（各 1024 神经元，40% Dropout）。
2. 多模态融合策略：
   • 在卷积特征展平后、进入全连接层之前，将气象变量和太阳位置坐标与图像特征进行拼接（Concatenation）。
   • 这种设计将物理信息直接引入潜在特征空间（Latent Feature Space），使模型能够同时学习视觉模式和物理规律。
3. 任务定义：
   • Nowcast 模型 ($f_N$)：输入 $(I_i, M_i) \rightarrow P_i$（单张图像 + 瞬时气象 $\rightarrow$ 当前功率）。
   • Forecast 模型 ($f_F$)：输入 $(I, M, P)_{t-H:t} \rightarrow P_{t+T}$（历史图像序列 + 历史功率 + 气象 $\rightarrow$ 未来功率）。

3. 关键贡献 (Key Contributions)

1. 多模态融合创新：首次（据作者所知）将气象再分析数据（如长波辐射、风场）与天空图像及太阳位置在深度神经网络中进行深度融合，用于解决光伏功率预测问题。
2. 物理可解释性增强：通过引入太阳位置和特定气象变量（如向下长波辐射），增强了模型对物理过程（如云层遮挡、热辐射衰减）的理解，提高了模型在复杂天气下的可解释性。
3. 双任务框架：同时构建了针对瞬时预测（Nowcasting）和序列预测（Forecasting）的模型，并验证了不同数据源在不同时间尺度下的有效性。
4. 太阳位置解析计算：提出了一种基于解析几何的方法，将计算出的太阳位置映射到鱼眼图像坐标系中，作为辅助特征输入，比纯图像处理的方法在多云条件下更鲁棒。

4. 实验结果 (Results)

实验在 Sunny（晴天）和 Cloudy（多云）两种场景下进行了评估，指标为 RMSE（均方根误差）和 MAE（平均绝对误差）。

• 总体表现：

  • 引入气象数据显著提升了预测精度，特别是在多云天气下，模型鲁棒性大幅增强。
  • Nowcast 任务：
    • 最佳组合：向下长波辐射 (strd) + 风速/阵风 (i10fg, wind100) + 太阳位置。
    • 发现：strd 在晴天表现优异，而风速与太阳位置的组合在多云天表现最佳。
    • 对比：优于现有的 SUNSET [17] 和 RSUNSET [27] 方法。
  • Forecast 任务：
    • 最佳组合：向下长波辐射 (strd) 单独使用或与其他变量结合时，在多云天的 RMSE 降低最为显著。
    • 发现：模型成功利用历史信息捕捉了与云层覆盖相关的热辐射模式。
    • 注意：在 Forecast 任务中，简单的风速 + 太阳位置组合并未像 Nowcast 那样显著提升，表明不同时间尺度下物理变量的作用机制不同。

• 关键发现：

  • 向下长波辐射 (strd) 是提升预测性能的关键变量，尤其是在多云条件下，它能有效指示云层厚度和密度。
  • 太阳位置的引入显著改善了模型对光照模式的理解，特别是在图像识别困难（如浓云遮挡）时。
  • 模型在减少极端误差（RMSE 降低明显）方面表现突出，说明其对“爬坡事件”的预测能力增强。

5. 意义与影响 (Significance)

• 电网稳定性：通过提高对光伏功率波动（特别是爬坡事件）的预测精度，有助于电网运营商更好地平衡供需，减少备用容量需求，提升电网稳定性。
• 方法论突破：证明了单纯依赖视觉数据不足以应对复杂多变的气象条件，**“视觉 + 物理气象 + 几何先验”**的混合范式是提升可再生能源预测可靠性的有效途径。
• 未来方向：该研究为开发自适应、数据驱动的太阳能预测系统奠定了基础，展示了多源数据融合在解决能源领域不确定性问题上的巨大潜力。

总结：该论文通过构建一个融合天空图像、气象数据和太阳位置信息的深度神经网络，成功解决了光伏功率预测中多云天气下精度低和爬坡事件预测难的问题，显著提升了预测模型的鲁棒性和可解释性。