使用基于卫星的太阳预测模型进行国家尺度日内时空光伏功率预测
机器学习
2026-01-09 v1
摘要
我们提出了一种新颖的时空光伏（PV）功率预测框架，并利用它评估了七种日内光伏功率临近预报模型的可靠性、锐度及整体性能。该模型套件包括基于卫星的深度学习与光流方法以及基于物理的数值天气预报模型，涵盖确定性与概率性表述。预报首先针对卫星反演的地表太阳辐照度（SSI）进行验证。随后，使用特定于站点的机器学习模型将辐照度场转换为光伏功率，从而能够与瑞士各地6434个光伏电站的生产数据进行比较。据我们所知，这是首个在国家尺度上研究时空光伏预测的工作。我们还首次展示了中尺度云系统如何在小时及次小时时间尺度上塑造国家光伏生产。结果表明，基于卫星的方法优于综合预报系统（IFS-ENS），特别是在短预报时效下。其中，SolarSTEPS和SHADECast提供了最准确的SSI和光伏功率预测，且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的概率预报提供了校准更好的不确定性。预报技巧通常随海拔升高而降低。在国家尺度上，基于卫星的模型对2019至2020年间82%的天数进行每日总光伏发电量预测的相对误差低于10%，证明了其稳健性及在业务运行中的潜力。
引用
@article{arxiv.2601.04751,
title = {Intraday spatiotemporal PV power prediction at national scale using satellite-based solar forecast models},
author = {Luca Lanzilao and Angela Meyer},
journal= {arXiv preprint arXiv:2601.04751},
year = {2026}
}