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 卫星遥感 深度学习 光流法 数值天气预报 太阳辐射

📋 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，尤其是在日内时间尺度上。
  2. 利用卫星数据，结合深度学习、光流和数值天气预报等多种模型，构建光伏功率预测框架。
  3. 实验表明，基于卫星的方法优于传统数值天气预报，且SolarSTEPS和SHADECast表现最佳。

📝 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，针对卫星衍生的地表太阳辐射(SSI)验证预测结果。然后，使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每小时和亚小时的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。预测技巧通常随海拔升高而降低。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%的天数相对误差低于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上光伏电站日内时空功率预测问题。现有方法，如数值天气预报（NWP），在短时预测精度上存在不足，且难以有效利用高分辨率的卫星观测数据。此外，缺乏对多种预测模型在国家尺度上的综合评估。

核心思路：论文的核心思路是结合多种卫星遥感数据驱动的模型（包括深度学习和光流方法）和物理模型（NWP），构建一个混合预测框架。通过将卫星衍生的地表太阳辐射（SSI）作为中间变量，利用站点的机器学习模型将其转换为光伏功率预测，从而实现高精度、高分辨率的时空预测。

技术框架：该框架包含以下主要模块：1) 数据收集：收集卫星遥感数据、数值天气预报数据以及光伏电站的实际发电数据。2) 模型训练：训练基于卫星数据的深度学习和光流模型（如SolarSTEPS、SHADECast、IrradianceNet）以及NWP模型（IFS-ENS）。3) SSI预测：利用训练好的模型预测地表太阳辐射（SSI）。4) 光伏功率转换：使用站点特定的机器学习模型将SSI转换为光伏功率预测。5) 预测评估：对比不同模型的预测结果，评估其可靠性、锐度和整体性能。

关键创新：该研究的关键创新在于：1) 首次在国家尺度上对多种光伏功率预测模型进行综合评估和比较。2) 提出了一个基于卫星数据的光伏功率时空预测框架，该框架能够有效利用高分辨率的卫星观测数据。3) 首次可视化了中尺度云系统对国家光伏发电的影响。

关键设计：论文使用了多种模型，包括：SolarSTEPS（基于光流的临近预报模型）、SHADECast（基于深度学习的卫星图像预测模型）、IrradianceNet（确定性深度学习模型）和IFS-ENS（欧洲中期天气预报中心的集成预测系统）。针对每个光伏电站，训练了一个独立的机器学习模型（具体模型类型未知）用于将SSI转换为光伏功率。评估指标包括均方根误差（RMSE）、可靠性、锐度等。

📊 实验亮点

实验结果表明，基于卫星的方法在短时预测中优于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%的天数相对误差低于10%。

🎯 应用场景

该研究成果可应用于电力系统的调度和运行，提高光伏发电的利用率和电网的稳定性。通过高精度的光伏功率预测，可以更好地规划电力生产和分配，减少对传统能源的依赖。此外，该研究还可以为光伏电站的选址和优化提供参考。

📄 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.