Solar Forecasting with Causality: A Graph-Transformer Approach to Spatiotemporal Dependencies
作者: Yanan Niu, Demetri Psaltis, Christophe Moser, Luisa Lambertini
分类: cs.LG, cs.SI
发布日期: 2025-09-18
备注: Accepted to CIKM 2025
期刊: Proceedings of the 34th ACM International Conference on Information and Knowledge Management (CIKM '25), November 10--14, 2025, Seoul, Republic of Korea
💡 一句话要点
SolarCAST：利用因果图Transformer预测太阳辐射，提升可再生能源管理
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 太阳辐射预测 图神经网络 Transformer 时空建模 因果推断
📋 核心要点
- 现有太阳辐射预测方法依赖天空相机或卫星图像，需要专业硬件和大量预处理，成本较高。
- SolarCAST利用因果关系，仅使用历史GHI数据，通过图神经网络和Transformer建模时空依赖和混淆因素。
- 实验表明，SolarCAST在不同地理条件下优于现有方法，且比商业预测器Solcast的误差降低25.9%。
📝 摘要（中文）
本文提出SolarCAST，一种基于因果关系的太阳辐射预测模型。与依赖专业硬件和大量预处理的天空相机或卫星图像的传统方法不同，SolarCAST仅使用目标站点X和附近站点S的历史全球水平辐照度(GHI)数据来预测未来的GHI。为了仅使用公共传感器数据实现高精度，SolarCAST使用可扩展的神经组件对X-S相关性背后的三类混淆因素进行建模：(i)可观察的同步变量(例如，时间、站点ID)，通过嵌入模块处理；(ii)潜在的同步因素(例如，区域天气模式)，通过时空图神经网络捕获；(iii)时滞影响(例如，跨站点的云移动)，使用门控Transformer建模，学习时间偏移。在不同的地理条件下，SolarCAST优于领先的时间序列和多模态基线，并且比顶级商业预测器Solcast的误差降低了25.9%。SolarCAST为局部太阳能预测提供了一种轻量级、实用且通用的解决方案。
🔬 方法详解
问题定义：论文旨在解决太阳辐射预测问题，特别是如何仅利用公开可用的历史GHI数据，在不需要昂贵设备和复杂预处理的情况下，实现高精度的局部太阳辐射预测。现有方法依赖天空相机或卫星图像，成本高昂且数据获取困难。
核心思路：论文的核心思路是利用因果关系建模站点之间的时空依赖性，并考虑影响太阳辐射的混淆因素。通过图神经网络捕获空间依赖性，通过Transformer建模时间依赖性，并使用嵌入模块处理可观测的同步变量。
技术框架：SolarCAST模型包含三个主要模块：(1)嵌入模块：处理可观测的同步变量，如时间和站点ID；(2)时空图神经网络：捕获潜在的同步因素，如区域天气模式，建模站点之间的空间依赖性；(3)门控Transformer：建模时间滞后影响，如云的移动，学习时间偏移。整体流程是，首先将历史GHI数据和同步变量输入嵌入模块，然后通过图神经网络和Transformer提取时空特征，最后预测目标站点的未来GHI。
关键创新：SolarCAST的关键创新在于其因果建模方法和轻量级架构。它不依赖于额外的图像数据，而是仅使用历史GHI数据，并通过图神经网络和Transformer有效地建模了时空依赖性和混淆因素。这种方法降低了成本和复杂性，使其更易于部署和推广。
关键设计：在图神经网络中，节点表示站点，边表示站点之间的空间关系。Transformer使用门控机制来控制信息的流动，从而更好地建模时间依赖性。损失函数采用均方误差(MSE)来衡量预测值和真实值之间的差异。具体的网络结构和参数设置在论文中有详细描述，需要参考原文。
🖼️ 关键图片
📊 实验亮点
SolarCAST在多个地理位置的实验中均表现出色，显著优于现有的时间序列和多模态基线方法。最重要的是，SolarCAST比顶级的商业太阳辐射预测器Solcast的误差降低了25.9%，证明了其在实际应用中的巨大潜力。这些结果表明，SolarCAST是一种轻量级、实用且通用的太阳辐射预测解决方案。
🎯 应用场景
SolarCAST可广泛应用于可再生能源管理、智能电网调度、农业生产规划等领域。通过准确预测太阳辐射，可以优化太阳能发电系统的运行，提高能源利用效率，降低能源成本。此外，该模型还可以为农业生产提供决策支持，例如优化灌溉计划和作物种植方案。
📄 摘要（原文）
Accurate solar forecasting underpins effective renewable energy management. We present SolarCAST, a causally informed model predicting future global horizontal irradiance (GHI) at a target site using only historical GHI from site X and nearby stations S - unlike prior work that relies on sky-camera or satellite imagery requiring specialized hardware and heavy preprocessing. To deliver high accuracy with only public sensor data, SolarCAST models three classes of confounding factors behind X-S correlations using scalable neural components: (i) observable synchronous variables (e.g., time of day, station identity), handled via an embedding module; (ii) latent synchronous factors (e.g., regional weather patterns), captured by a spatio-temporal graph neural network; and (iii) time-lagged influences (e.g., cloud movement across stations), modeled with a gated transformer that learns temporal shifts. It outperforms leading time-series and multimodal baselines across diverse geographical conditions, and achieves a 25.9% error reduction over the top commercial forecaster, Solcast. SolarCAST offers a lightweight, practical, and generalizable solution for localized solar forecasting.