基于因果推理的太阳能预测：面向时空依赖的图变换器方法
机器学习
2025-09-22 v1 社会与信息网络
摘要
准确的太阳能预测为有效的可再生能源管理提供了基础。我们提出 SolarCAST，一个以因果为导向的模型，预测目标站点未来全局水平照射（GHI），仅使用来自站点 X 及附近站点 S 的历史 GHI — — 不同于先前依赖天空相机或卫星图像的工作，需要专业硬件和重型预处理。为仅使用公开传感器数据实现高精度，SolarCAST 通过可扩展神经组件建模三类导致 X-S 相关性的混杂因素：（i）可观测同步变量（例如时间、站点身份），通过嵌入模块处理；（ii）潜在同步因素（例如区域天气模式），由时空图神经网络捕获；（iii）时间滞后影响（例如云层跨站点移动），由学习时间偏移的门控变换器建模。它在多样化地理条件下超越领先的时间序列和多模态基准，相较于顶级商业预报商 Solcast 实现 25.9% 的误差降低。SolarCAST 提供了一个轻量、实用且可推广的局部化太阳能预测解决方案。
引用
@article{arxiv.2509.15481,
title = {Solar Forecasting with Causality: A Graph-Transformer Approach to Spatiotemporal Dependencies},
author = {Yanan Niu and Demetri Psaltis and Christophe Moser and Luisa Lambertini},
journal= {arXiv preprint arXiv:2509.15481},
year = {2025}
}
备注
Accepted to CIKM 2025