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

📄 arXiv: 2602.15782v1 📥 PDF

作者: Ines Montoya-Espinagosa, Antonio Agudo

分类: cs.CV

发布日期: 2026-02-17

备注: CAI 2026

💡 一句话要点

结合气象数据、天空图像与深度模型，提升光伏发电功率预测精度

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 光伏发电预测 深度学习 多模态融合 气象数据 天空图像 神经网络 短期预测 长期预测

📋 核心要点

  1. 光伏发电预测面临光伏能量生产的波动性挑战，现有方法在多云天气下预测精度不足，难以支持电网高效运行。
  2. 提出一种混合方法，融合天空图像、光伏能量历史数据和气象数据，利用深度神经网络模型进行短期和长期预测。
  3. 实验结果表明，结合气象数据（特别是地表长波辐射向下分量）以及风和太阳位置的组合，显著提高了预测准确性，尤其是在多云天气下。

📝 摘要（中文）

随着可再生能源（特别是太阳能）使用的增加，如何利用不同方法应对光伏发电的挑战，实现光伏发电预测日益重要。本研究开发了一种混合方法，用于短期和长期预测。该方法结合了天空图像、光伏能量历史数据和气象数据，旨在提高斜坡事件预测的准确性，增强多云条件下预测的鲁棒性，并将能力扩展到短期预测之外，以支持电网更高效的运行和更好地管理太阳能的波动性。研究使用深度神经网络模型进行短期和长期预测，并结合了单个和多个气象变量以及解析太阳位置。结果表明，包含气象数据（特别是地表长波辐射向下分量）以及风和太阳位置的组合，显著提高了当前短期和长期预测的准确性，尤其是在多云天气下。这项研究强调了整合多样化数据源以提高太阳能预测模型可靠性和可解释性的重要性。

🔬 方法详解

问题定义：论文旨在解决光伏发电功率预测中，由于太阳能的波动性，特别是在多云天气条件下，现有预测方法精度不足的问题。现有方法往往依赖单一数据源，难以充分捕捉天气变化对光伏发电的影响，导致预测鲁棒性较差。

核心思路：论文的核心思路是采用多模态融合的方法，将天空图像、光伏能量历史数据和气象数据结合起来，利用深度神经网络模型学习不同数据源之间的关联性，从而提高预测的准确性和鲁棒性。这种方法能够更全面地考虑影响光伏发电的各种因素，从而提升预测性能。

技术框架：整体框架包含数据采集、数据预处理、特征提取、模型训练和预测几个主要阶段。首先，采集天空图像、光伏能量历史数据和气象数据。然后，对数据进行预处理，包括数据清洗、归一化等。接着，利用卷积神经网络（CNN）提取天空图像的特征，并结合光伏能量历史数据和气象数据，构建多模态特征向量。最后，将多模态特征向量输入到深度神经网络模型中进行训练，并利用训练好的模型进行光伏发电功率预测。

关键创新：论文的关键创新在于将天空图像与气象数据相结合，并将其融入到深度学习模型中。传统方法通常只依赖历史光伏数据或简单的气象参数，而忽略了天空图像中蕴含的丰富天气信息。通过引入天空图像，模型能够更准确地捕捉云层变化等天气状况，从而提高预测精度。此外，论文还强调了特定气象变量（如地表长波辐射向下分量）的重要性。

关键设计：论文中使用的深度神经网络模型结构未知，但可以推测使用了卷积神经网络处理天空图像，并可能结合了循环神经网络（RNN）或Transformer等模型处理时间序列数据。损失函数可能采用了均方误差（MSE）或平均绝对误差（MAE）等回归损失函数。关键参数设置未知，但可能需要根据具体数据集进行调整。论文强调了气象变量选择的重要性，并发现地表长波辐射向下分量以及风和太阳位置的组合对预测结果有显著影响。

📊 实验亮点

实验结果表明，结合气象数据（特别是地表长波辐射向下分量）以及风和太阳位置的组合，显著提高了当前短期和长期预测的准确性，尤其是在多云天气下。具体性能提升数据未知，但论文强调了气象数据对预测结果的积极影响，尤其是在复杂天气条件下。

🎯 应用场景

该研究成果可应用于智能电网管理、光伏电站运行优化和能源交易等领域。通过提高光伏发电功率预测的准确性，可以更有效地调度电网资源，降低能源浪费，提高电网的稳定性和可靠性。此外，准确的预测结果也有助于光伏电站制定更合理的运行策略，提高发电效率和经济效益。未来，该方法可以推广到其他可再生能源的预测中，为构建清洁、高效的能源体系提供技术支持。

📄 摘要（原文）

Due to the rise in the use of renewable energies as an alternative to traditional ones, and especially solar energy, there is increasing interest in studying how to address photovoltaic forecasting in the face of the challenge of variability in photovoltaic energy production, using different methodologies. This work develops a hybrid approach for short and long-term forecasting based on two studies with the same purpose. A multimodal approach that combines images of the sky and photovoltaic energy history with meteorological data is proposed. The main goal is to improve the accuracy of ramp event prediction, increase the robustness of forecasts in cloudy conditions, and extend capabilities beyond nowcasting, to support more efficient operation of the power grid and better management of solar variability. Deep neural models are used for both nowcasting and forecasting solutions, incorporating individual and multiple meteorological variables, as well as an analytical solar position. The results demonstrate that the inclusion of meteorological data, particularly the surface long-wave, radiation downwards, and the combination of wind and solar position, significantly improves current predictions in both nowcasting and forecasting tasks, especially on cloudy days. This study highlights the importance of integrating diverse data sources to improve the reliability and interpretability of solar energy prediction models.