Solarcast-ML：用于太阳能发电的 Per Node GraphCast 扩展

本项目提出了对 GraphCast 模型的一个扩展，即该模型是一种先进的图神经网络(GNN)，用于全球天气预报，通过集成太阳能发电预测能力。该方法利用 GraphCast 生成的天气预报，并训练一个神经网络模型来预测实际太阳能输出与潜在太阳能输出之比，基于各种天气条件。模型体系结构包括对应于天气特征(温度、湿度、露点、风速、降雨、气压和海拔)的输入层、两个带 ReLU 激活的隐藏层以及预测太阳辐射的输出层。该模型使用均方绝对误差损失函数和 Adam 优化器进行训练。结果表明，该模型在准确预测太阳辐射方面有效，其收敛行为、训练损失的减少以及对太阳辐射模式的准确预测表明成功学习了天气条件与太阳辐射之间的底层关系。将太阳能发电预测与 GraphCast 集成为可再生能源部门提供了宝贵的见解，使其能够基于预期的太阳能发电进行更好的规划和决策。未来工作可进一步探索模型细化、纳入额外的天气变量以及扩展到其他可再生能源。