融合气象基础模型与卫星影像实现高精度太阳 irradiance 预测
机器学习
2026-04-30 v3 人工智能
摘要
精确的日前太阳 irradiance 预测对于将太阳能源引入电网至关重要，但由于显著的昼夜循环及其内在复杂的云动力学，仍面临挑战。现有方法要么缺乏细粒度分辨率（如数值天气预报、气象基础模型），要么在较长预报时限下性能下降（如卫星外推）。我们提出Baguan-solar，一个两阶段多模态框架，将来自Baguan全局气象基础模型的预测与高分辨率静止气象卫星影像融合，以产生24小时尺度为公里的 irradiance 预测。其解耦的两阶段设计首先预测昼夜连续的中间变量（如云量），随后推断 irradiance，同时多模态融合旨在保持来自卫星的细粒度云结构，同时保留来自Baguan预测的大尺度约束。在以 CLDAS 为基准的东亚地区评估中，Baguan-solar优于强基线（包括 ECMWF IFS、基础Baguan模型及 SolarSeer），将 RMSE 降低 16.08%，更好地解析云引起的瞬态变化。自 2025 年 7 月起，Baguan-solar已在中国东部某省的运营部署中支持太阳能发电预测。我们的代码可在 https://github.com/DAMO-DI-ML/Baguan-solar.git 访问。
引用
@article{arxiv.2603.14845,
title = {Integrating Weather Foundation Model and Satellite to Enable Fine-Grained Solar Irradiance Forecasting},
author = {Ziqing Ma and Kai Ying and Xinyue Gu and Tian Zhou and Tianyu Zhu and Haifan Zhang and Peisong Niu and Zheng Wang and Cong Bai and Liang Sun},
journal= {arXiv preprint arXiv:2603.14845},
year = {2026}
}