日照一刻：基于自监督学习的多光谱卫星数据太阳现报

太阳能如今已是史上最廉价的电力形式。遗憾的是，由于太阳能的波动性，显著提高电网中太阳能占比仍具挑战，这使得电力供需平衡更加困难。虽然热电机组的爬坡速率——其可改变输出的最大速率——是有限的，太阳能的爬坡速率却几乎是无限的。因此，准确的短期太阳能预报（即现报）对于提供提前预警以调整热电机组输出以应对太阳能波动、确保供需平衡十分重要。针对该问题，本文利用丰富且易获取的多光谱卫星数据，基于自监督学习开发了通用的太阳现报模型。具体而言，我们开发了使用卷积神经网络（CNN）和长短期记忆网络（LSTM）的深度自回归模型，这些模型在多个地点间全局训练，以预测最近发射的 GOES-R 系列卫星所采集的时空数据的原始未来观测。我们的模型基于卫星观测估计某地的未来太阳辐照度，并将其输入到在较小站点特定太阳能数据上训练的回归模型，从而提供考虑站点特定特征的近期太阳能光伏（PV）预报。我们在 25 个太阳能站点针对不同覆盖区域和预报时效评估了我们的方法，结果表明我们的方法误差接近于使用地面真值观测的模型。