Intraday spatiotemporal PV power prediction at national scale using satellite-based solar forecast models

📄 arXiv: 2601.04751v1 📥 PDF

作者: Luca Lanzilao, Angela Meyer

分类: cs.LG

发布日期: 2026-01-08

💡 一句话要点

提出基于卫星的太阳能预测模型，实现国家尺度内光伏功率时空预测

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱八：物理动画 (Physics-based Animation)

关键词: 光伏功率预测 时空预测 卫星数据 深度学习 数值天气预报 地表太阳辐射 能源管理

📋 核心要点

  1. 现有光伏功率预测方法难以在国家尺度上进行高精度时空预测，限制了电网调度和能源管理。
  2. 利用卫星数据和机器学习模型，构建光伏功率预测框架，实现国家尺度内高分辨率时空预测。
  3. 实验表明，基于卫星的方法优于传统数值天气预报模型，日总发电量相对误差低于10%。

📝 摘要（中文）

本文提出了一个用于光伏(PV)功率时空预测的新框架，并用它来评估七种日内光伏功率临近预报模型的可靠性、锐度和整体性能。该模型套件包括基于卫星的深度学习和光流方法，以及基于物理的数值天气预报模型，涵盖确定性和概率性公式。首先，预测结果根据卫星衍生的地表太阳辐射(SSI)进行验证。然后，利用特定站点的机器学习模型将辐射场转换为光伏功率，从而能够与瑞士6434个光伏站的生产数据进行比较。据我们所知，这是第一个在国家尺度上研究时空光伏预测的研究。此外，我们还首次可视化了中尺度云系统如何在小时和亚小时时间尺度上塑造国家光伏发电。结果表明，基于卫星的方法优于集成预测系统(IFS-ENS)，尤其是在较短的提前期内。其中，SolarSTEPS和SHADECast提供了最准确的SSI和光伏功率预测，而SHADECast提供了最可靠的集合离散度。确定性模型IrradianceNet实现了最低的均方根误差，而SolarSTEPS和SHADECast的概率预测提供了更好校准的不确定性。预测技巧通常随着海拔的升高而降低。在国家尺度上，基于卫星的模型预测的日总光伏发电量在2019-2020年期间有82%的日子相对误差低于10%，证明了其鲁棒性和在运营中使用的潜力。

🔬 方法详解

问题定义：论文旨在解决国家尺度下光伏发电功率的日内时空预测问题。现有方法，如数值天气预报模型，在短时预测精度上存在不足，难以满足精细化电网调度的需求。此外，缺乏对中尺度云系统对光伏发电影响的有效建模。

核心思路：论文的核心思路是利用卫星数据获取高分辨率的地表太阳辐射信息，并结合机器学习模型，将辐射信息转化为光伏发电功率预测。通过集成多种卫星数据驱动的模型和数值天气预报模型，实现更准确和可靠的预测。

技术框架：整体框架包含以下几个主要阶段：1) 数据收集：收集卫星数据（用于地表太阳辐射SSI估计）和光伏电站的发电数据。2) SSI预测：利用多种模型（包括深度学习、光流和数值天气预报）预测SSI。3) SSI验证：将预测的SSI与卫星衍生的SSI进行验证。4) 功率转换：使用特定站点的机器学习模型将SSI转换为光伏功率预测。5) 功率验证：将预测的光伏功率与实际发电数据进行比较。

关键创新：论文的关键创新在于：1) 在国家尺度上对多种光伏功率预测模型进行了全面的评估和比较。2) 首次可视化了中尺度云系统对国家光伏发电的影响。3) 提出了一个基于卫星数据的光伏功率预测框架，该框架在短时预测方面优于传统的数值天气预报模型。

关键设计：论文使用了多种卫星数据驱动的模型，包括SolarSTEPS、SHADECast和IrradianceNet。SolarSTEPS和SHADECast是基于光流的预测模型，而IrradianceNet是一个深度学习模型。此外，还使用了数值天气预报模型IFS-ENS作为基线。论文使用均方根误差（RMSE）等指标评估模型的预测精度，并使用可靠性图评估概率预测的校准程度。特定站点的机器学习模型用于将SSI转换为光伏功率，具体模型类型未知。

📊 实验亮点

实验结果表明，基于卫星的模型在短时预测方面优于IFS-ENS。SolarSTEPS和SHADECast提供了最准确的SSI和光伏功率预测，SHADECast提供了最可靠的集合离散度。IrradianceNet实现了最低的均方根误差。在国家尺度上，基于卫星的模型预测的日总光伏发电量在2019-2020年期间有82%的日子相对误差低于10%。

🎯 应用场景

该研究成果可应用于国家级电网调度、能源管理和光伏电站的优化运行。通过提高光伏功率预测的准确性，可以降低电网运行成本，提高可再生能源的利用率，并为电力市场的参与者提供更可靠的信息。未来，该框架可扩展到其他国家和地区，并与其他可再生能源预测模型相结合，构建更全面的能源预测系统。

📄 摘要（原文）

We present a novel framework for spatiotemporal photovoltaic (PV) power forecasting and use it to evaluate the reliability, sharpness, and overall performance of seven intraday PV power nowcasting models. The model suite includes satellite-based deep learning and optical-flow approaches and physics-based numerical weather prediction models, covering both deterministic and probabilistic formulations. Forecasts are first validated against satellite-derived surface solar irradiance (SSI). Irradiance fields are then converted into PV power using station-specific machine learning models, enabling comparison with production data from 6434 PV stations across Switzerland. To our knowledge, this is the first study to investigate spatiotemporal PV forecasting at a national scale. We additionally provide the first visualizations of how mesoscale cloud systems shape national PV production on hourly and sub-hourly timescales. Our results show that satellite-based approaches outperform the Integrated Forecast System (IFS-ENS), particularly at short lead times. Among them, SolarSTEPS and SHADECast deliver the most accurate SSI and PV power predictions, with SHADECast providing the most reliable ensemble spread. The deterministic model IrradianceNet achieves the lowest root mean square error, while probabilistic forecasts of SolarSTEPS and SHADECast provide better-calibrated uncertainty. Forecast skill generally decreases with elevation. At a national scale, satellite-based models forecast the daily total PV generation with relative errors below 10% for 82% of the days in 2019-2020, demonstrating robustness and their potential for operational use.