[Paper] 气象数据与天空图像结合神经模型进行光伏功率预测

Source: arXiv - 2602.15782v1

概述

本文提出了一种 混合深度学习框架，将天空相机图像、历史光伏（PV）输出以及传统气象测量相融合，以提升短期和长期的太阳能发电预测。通过应对在多云天空下常见的极不稳定的“ramp”事件，作者展示了多模态数据策略如何使光伏预测对电网运营商和可再生能源开发商更可靠。

关键贡献

• 多模态预测架构，能够联合处理天空图像、光伏时间序列以及天气变量（如地表长波辐射、风速、太阳位置）。
• 两阶段实验设计，涵盖 即时预测（分钟级）和 日预测，展示该方法在不同时间尺度上的适用性。
• 实证证据表明，加入特定气象特征——尤其是向下长波辐射以及风速与太阳位置的组合向量——显著提升了阴天时的斜坡事件检测能力。
• 可解释性分析展示了每种数据模态对最终预测的贡献，帮助从业者理解模型行为。
• 开源实现（随论文发布），可在其他光伏站点上进行最小量的再训练后直接适配。

方法论

1. 数据收集

• 天空图像：由安装在光伏电站的鱼眼相机每隔几分钟拍摄一次。
• 光伏功率历史（5 分钟分辨率），来自逆变器。
• 气象变量：来自附近气象站的地表长波辐射、短波辐射、温度、风速/风向，以及通过解析计算得到的太阳位置向量（方位角/高度角）。

2. 预处理

• 将图像进行缩放和归一化；使用卷积主干网络（ResNet‑18）提取视觉特征。
• 将时间序列数据进行窗口化（例如过去 30 分钟），并输入到 1‑D CNN/LSTM 堆栈中。
• 将气象变量拼接为密集特征向量。

3. 模型融合

• 将来自三个流的特征向量通过全连接的“融合”层合并。
• 融合后的表示经过若干全连接层，输出以下任意一种：
  • 即时预报 – 未来 5–30 分钟的光伏功率。
  • 长期预测 – 未来 1–24 小时的光伏功率。

4. 训练与评估

• 损失函数：平均绝对误差（MAE），并加入辅助的坡度事件损失，以惩罚错过的快速变化。
• 基线模型：持久性模型、仅使用天气的神经网络、仅使用图像的 CNN。
• 评估指标：MAE、均方根误差（RMSE）以及自定义的“坡度检测得分”。

该流水线有意设计为模块化，开发者可以在不重新设计整个系统的情况下，替换不同的图像编码器或天气传感器。

结果与发现

• 多云天气： 与仅使用图像或仅使用天气的基准相比，混合模型的误差降低了最高 35 %，这证明了组合数据源能够捕获互补信息（例如，图像提供的云运动 + 长波辐射提供的热惯性）。
• 特征重要性（通过 SHAP 分析）：地表长波辐射和风 + 太阳位置向量是主要贡献因素，尤其在超过 1 小时的预测中表现突出。
• 鲁棒性： 当部分传感器失效（例如缺失风速数据）时，性能仍能平稳下降，表明模型能够依赖剩余模态进行回退。

实际意义

• 电网运营商 可以依赖更准确的斜率事件预测来调度备用发电，降低对昂贵旋转备用的需求。
• 光伏电站所有者 获得对预期产出的更好洞察，从而实现更智能的市场投标和储能调度策略。
• 太阳能预测 API 开发者 可以采用多模态融合模式来区分其服务，尤其在多云地区。
• 边缘部署： 由于图像编码器可以裁剪以在低功耗设备（如 NVIDIA Jetson）上运行，整个管道可以在现场托管，提供近实时预测且无需大量带宽。
• 数据驱动的规划： 可解释性层帮助工程师精准定位哪些传感器价值最高，引导未来的仪器投资（例如，增加长波辐射计可能比安装更多摄像头更便宜）。

限制与未来工作

• 站点特异性： 该模型仅在单一地中海气候的光伏电站上进行训练；对截然不同气候（例如沙漠或高纬度）的可迁移性仍需验证。
• 图像质量依赖： 大雨或雾霾会遮挡天空摄像头，削弱视觉信号；作者建议将卫星影像作为备份进行集成。
• 计算成本： 虽然在现代边缘硬件上可行，但完整的融合模型仍需 GPU 加速以获得最佳延迟，这可能成为极低成本部署的瓶颈。

未来方向

• 将框架扩展至 概率预测（预测区间）。
• 探索在大规模未标记天空图像数据集上进行 自监督预训练，以降低对站点特定标记数据的需求。
• 融入 数值天气预报（NWP） 输出，进一步将预测时域延伸至 24 小时以上。

结论：通过将天空外观、天气信息以及电站运行状态相结合，这项研究提供了一套切实可行的方案，以实现更可靠的太阳能发电预测——这一进步有望转化为更平稳的电网运行和更好的可再生能源经济效益。

作者

• Ines Montoya‑Espinagosa
• Antonio Agudo

论文信息

• arXiv ID: 2602.15782v1
• 分类: cs.CV
• 出版日期: 2026年2月17日
• PDF: 下载 PDF