人工智能在太阳能辐射预报中的应用现状与趋势
太阳能辐射作为光伏发电、太阳能热利用、农业及气候建模的基础能量来源，其精确的估算与预测至关重要。特别是针对全球水平辐照度（GHI）、法向直射辐照度（DNI）和散射水平辐照度（DHI）的准确把握，对于光伏并网运营、能源市场交易以及建筑能源管理具有深远意义。
主要难点：
截止至 2024 年末，全球光伏装机容量已突破 1.6 TW，精准的太阳能预测已成为迫切的现实需求。近年来，以深度学习和大模型为代表的 AI 技术，正深刻重塑该领域的研究范式。
太阳能辐射估算旨在依据间接观测数据（如卫星图像、气象变量及再分析场）反演地表太阳辐照度。
太阳能辐射预报则是基于历史观测记录或数值天气预报（NWP）输出，对未来辐照度值进行预测：
预报时效划分：
对每篇论文实施五维度的评分体系（每项 0-100 分），综合得分计算如下：
注：引用数据来源于既有综述记录及 Semantic Scholar 数据库（部分受限于 API，引用数以 "~" 标记为估算值）。
综合得分:81.4 / 100 |引用:~新发表 |发表:IEEE Trans. Sustainable Energy, vol. 17, pp. 1575-1587 |代码:未公开
SolarCrossFormer 是一种利用图神经网络融合卫星图像与地面站时间序列的日前概率性预报系统，发表在 IEEE Transactions on Sustainable Energy 上，在瑞士 127 个站点的一年测试中取得了 SOTA（最先进）效果。
主要创新点:
方法架构:
图 1: SolarCrossFormer 架构：卫星数据输入、编码器（时间 Transformer + 交叉注意力 Transformer）和解码器
关键技术细节:
实验结果:
不足之处:
综合得分:80.1 / 100 |引用:~新发表 |发表:CIKM 2025 |代码:未公开
SolarCAST 是首个将因果推理框架引入太阳能辐射预报的研究，在仅使用历史地面数据（无天空相机或卫星）的条件下取得了显著成果。
主要创新点:
方法架构:
关键技术细节:
实验结果:
不足之处:
综合得分:79.6 / 100 |引用:~新发表 |发表:arXiv 2603.14845 |代码:未开源
Baguan-solar 是目前最新的将天气基础模型（Weather Foundation Model）专门适配到太阳能预报的工作，代表了"基础模型+下游任务"这一新兴范式在太阳能领域的最前沿进展。
主要创新点:
方法架构:
图 1: Baguan-solar 整体框架：从粗分辨率 Baguan 预报到精细化 GHI
图 2: Baguan-solar 模型架构：两阶段 Swin Transformer 融合 Himawari 卫星与 Baguan 预报
关键技术细节:
实验结果:
图 3: GHI 预报 RMSE 随预报时效变化（1-24h，四个初始时刻）
不足之处:
综合得分:76.1 / 100 |引用:~新发表 |发表:arXiv 2508.03590 |代码:未开源
SolarSeer 是一个端到端的大型 AI 模型，直接将卫星观测映射到 24 小时太阳辐照度预报，代表了 AI 太阳能预报领域的范式转变。
主要创新点:
方法架构:
图 1: SolarSeer 端到端架构总览。(a-c) 与 NWP 和现有 AI 大模型的对比；(d) 整体模型结构
关键技术细节:
实验结果:
图 2: SolarSeer 在所有初始时刻的 24 小时预报 RMSE 均优于 HRRR-NWP
图 3: SolarSeer 在 CONUS 全域的空间 RMSE 分布及相对 HRRR 的改进
不足之处:
综合得分:72.4 / 100 |引用:~新发表 |发表:arXiv 2502.10307 |代码:未公开
SPIRIT 是首个将预训练视觉基础模型（Vision Foundation Model）系统性应用于太阳辐照度零样本迁移学习的工作。
主要创新点:
方法架构:
图 1: SPIRIT 系统示意
关键技术细节:
实验结果:
不足之处:
综合得分:68.8 / 100 |引用:~新发表 |发表:arXiv 2411.08843 (NVIDIA Research) |代码:基于 NVIDIA Modulus
这是首个使用 Neural Operator（神经算子）在全球尺度上进行太阳辐射估算的工作，代表了一种全新的建模范式。
主要创新点:
方法架构:
图 1: 6 小时均值 SSI 预报 pipeline。SFNO 提供天气预报变量，诊断模型推算累积 SSI
图 2: 模型架构。左: Pix2Pix UNet; 右: AFNO (Adaptive Fourier Neural Operator)
关键技术细节:
实验结果:
不足之处:
综合得分:65.2 / 100 |引用:~新发表 |发表:arXiv 2312.11966 |代码:未公开
SHADECast 是首个将 score-based 扩散模型应用于太阳辐射时空 nowcasting 的工作，在概率性预报方面取得了显著突破。
主要创新点:
关键技术细节:
实验结果:
图: SHADECast deep generative model architecture for intraday solar forecast
不足之处:
综合得分:76.6 / 100 |引用:292 |发表:IEEE Trans. Sustainable Energy
开创性地引入图卷积网络（GCN）用于多站点光伏预报，将分布式 PV 站点建模为空间图。通过 Graph Convolutional Auto-encoder 学习站点间的空间依赖关系，同时利用 LSTM 建模时间动态。在瑞士多站点数据上验证，明确证明了建模站点间空间相关性相比独立预报可带来显著精度提升（3-8%）。292 次引用使其成为 GNN 太阳能预报领域最具影响力的工作。后续工作（Simeunovic et al., 2024）进一步引入物理信息约束。
综合得分:75.5 / 100 |引用:~新发表 |发表:arXiv 2604.04145
图 1: Solar-VLM 模型总览
图 2: 两阶段跨站点联合建模策略
最新的多模态预报工作，首次引入视觉语言模型（VLM/LLM）框架。使用模态专属编码器处理时间序列、卫星图像和文本天气描述，通过图注意力和跨站点注意力进行特征融合。在中国北方 8 个站点验证。代表了"AI 大模型赋能太阳能预报"的最新探索方向。
综合得分:74.0 / 100 |引用:163 |发表:Scientific Reports (Nature)
建立了最具影响力的迁移学习框架用于数据稀缺条件下的光伏产能预报。核心策略: 在数据丰富的源站点预训练 DNN，然后在目标站点用少于 1 个月的数据进行 fine-tuning。163 次引用说明该方法论对后续大量迁移学习工作产生了深远影响。后续演进方向包括对抗域适应（Gao et al., 2024）和零样本方法（SPIRIT, ZSIF）。
综合得分:74.8 / 100 |引用:~新发表 |发表:arXiv 2604.11807
图: PISSM — physics-informed state space model architecture for off-grid solar forecasting
提出了超轻量（<40K 参数）的物理信息状态空间模型，专为边缘设备和离网场景设计。通过 Hankel 矩阵嵌入进行噪声滤波，Linear State Space Model 替代注意力机制，物理信息门控机制利用 Solar Zenith Angle 和 Clearness Index 强制约束太阳辐射的日变化物理规律。在苏丹 Omdurman 的多年数据上验证。代表了"小模型 + 物理约束 = 高效部署"的重要方向。
综合得分:71.3 / 100 |引用:~新发表 |发表:NeurIPS 2023 Workshop（与 Yoshua Bengio 合作）
图: Spatio-temporal context architecture for day-ahead GHI forecasting with satellite data
提出利用卫星数据提供时空上下文的日前 GHI 预报深度学习架构，同时输出逐时间步的不确定性分布。引入新的多模态数据集和测试方案（将阴天和晴天分开评估），展示了对未见站点的鲁棒零样本泛化能力。Yoshua Bengio 的参与使该工作在 ML 社区获得广泛关注。
综合得分:75.6 / 100 |引用:54 |发表:Solar Energy
系统性探讨了 Vision Transformer (ViT) 在天空相机驱动的超短期光伏预报中的性能。ViT 的全局感受野使其能捕捉天空图像中的远程特征（云边缘、天际线等），相对传统 CNN 方法精度提升 10-15%。该工作建立了 ViT 在太阳能视觉预报中的基准地位，启发了后续大量基于 Transformer 的视觉方法。
综合得分:65.3 / 100 |引用:~新发表 |发表:arXiv 2302.00170
图: Score-based diffusion model for high-resolution solar forecast super-resolution
提出使用 score-based 扩散模型对 NWP 粗分辨率预报进行超分辨率处理，生成高分辨率概率性太阳辐照度预报。方法论简洁：将 NWP 预报作为条件输入扩散模型，生成高分辨率卫星观测分辨率的概率性辐照度场。"以前所未有的分辨率、速度和精度提供预报"。开创了扩散模型在太阳能领域的应用。
综合得分:68.0 / 100 |引用:52 |发表:Int. J. Hydrogen Energy
将注意力机制 Transformer 应用于多步 GHI 预报，重点展示了注意力权重的可解释性优势。注意力热图可揭示模型在不同预报步长对哪些历史时间步和特征赋予更高权重，为太阳能预报模型的可解释性提供了重要参考。相对 LSTM 精度提升约 5-10%。
综合得分:73.6 / 100 |引用:36 |发表:Expert Systems with Applications
提出自适应图构建方法，让模型自学习站点间的最优空间关系，而非依赖人工定义的距离图或相关性图。自适应图结构相比固定图 GNN 精度提升约 3-8%。解决了 GNN 在太阳能预报中的核心瓶颈问题——如何设计最优图拓扑。
综合得分:72.3 / 100 |引用:311 |发表:Journal of Cleaner Production
该领域引用最多的方法论文之一。提出 XGBoost + DNN 集成方法用于逐小时 GHI 预报，确立了"传统集成学习 + 深度学习"混合范式的基准地位。311 次引用说明该方法的实用性和可靠性被广泛认可。尽管年代较早，至今仍是任何太阳能预报研究必须比较的 baseline 之一。
综合得分:63.6 / 100 |引用:~新发表 |发表:arXiv 2512.23898
图: Benchmark study — comparison of 10 DL architectures for short-term GHI forecasting
对 10 种深度学习架构进行了系统性基准测试，用于 1 小时前 GHI 预报（使用胡志明市 NSRDB 数据）。Transformer 以取得最佳精度。重要贡献包括: (1) SHAP 分析揭示 Transformer 具有"近期偏差"而 Mamba 利用 24 小时周期依赖; (2) 知识蒸馏可将 Transformer 压缩 23.5%，MAE 仅 23.78 W/m。为从业者选择模型架构提供了实用参考。
综合得分:59.0 / 100 |引用:~新发表 |发表:arXiv 2411.11073
图: WRF ensemble post-processing framework for probabilistic solar irradiance forecasting in Chile
针对智利 III 和 IV 区（全球主要太阳能资源区）的概率性辐照度预报。使用 WRF 集成预报经 EMOS 和分布式回归网络（DRN）后处理。所有后处理方法均"显著改善了概率预报的校准性和点预报的精度"。为概率预报在实际运营中的应用提供了方法论参考。
第三梯队论文架构集：
Voyant et al.: ELM method without clear-sky model for short-term solar radiation forecasting
Perera et al.: Hierarchical temporal convolutional neural network for regional solar power forecasting
Perera et al.: Attention-based ConvLSTM for cloud movement prediction in distributed solar forecasting
Erdmann et al.: Deep probabilistic solar irradiance forecast at the Arctic Circle
Suwanwimolkul et al.: Thailand solar irradiance mapping with Himawari-8 and deep learning
Smyl et al.: Any-Quantile RNN for probabilistic multi-regional solar power forecasting
SKIPP'D: Sky images and photovoltaic power generation dataset overview
不足：云条件下性能差，无法捕捉非线性关系。
关键见解：对表格化气象数据，树集成模型至今仍具竞争力。
注：由于数据集、评估区域和指标不同，各方法的性能数字不可直接横向比较。
物理知识与机器学习模型的融合是贯穿该领域的核心主题。方法谱系从简到繁：
趋势：从"物理后处理校正"演进为"模型内部物理约束"。
现代系统越来越多地融合异质数据：
趋势："全数据模态"融合架构正在成为前沿。
基于 GNN 的方法（Simeunovic, 2021; Zang, 2024; SolarCAST, 2025; SolarCrossFormer, 2025）已确立了建模站点间空间关联可显著提升精度的共识。核心问题是图结构构建：
从点预报到概率预报的转变正在加速：
趋势：扩散模型正逐渐成为概率性太阳辐射预报的主流生成框架。
数据匮乏是太阳能预报的核心挑战之一：
趋势：从"目标域少量数据"迈向"完全零样本"。
天气基础模型（Pangu-Weather, GraphCast, GenCast, FourCastNet, Aurora, Baguan）正在改变范式：
核心问题：通用天气大模型能否有效特化为高分辨率局地太阳辐射预报？早期结果（SolarSeer, Baguan-solar）表明答案是肯定的。
关键观察：
[1] Bai M, Fang Z, Tao S, et al. "SolarSeer: Ultrafast and accurate 24-hour solar irradiance forecasts outperforming numerical weather prediction across the USA." arXiv:2508.03590, 2025. [2] Ma Z, Ying K, Gu X, et al. "Integrating Weather Foundation Model and Satellite to Enable Fine-Grained Solar Irradiance Forecasting." arXiv:2603.14845, 2026. [3] Niu Y, Psaltis D, Moser C, Lambertini L. "Solar Forecasting with Causality: A Graph-Transformer Approach to Spatiotemporal Dependencies." CIKM 2025. arXiv:2509.15481. [4] Schubnel B, Simeunovic J, Tissier C, Alet PJ, Carrillo RE. "SolarCrossFormer: Improving day-ahead Solar Irradiance Forecasting by Integrating Satellite Imagery and Ground Sensors." IEEE Trans. Sustainable Energy, vol. 17, pp. 1575-1587, 2025. arXiv:2509.15827. [5] Carpentieri A, Leinonen J, Adie J, Bonev B, Folini D, Hariri F. "Data-driven Surface Solar Irradiance Estimation using Neural Operators at Global Scale." arXiv:2411.08843, 2024. [6] Carpentieri A, Folini D, Leinonen J, Meyer A. "SHADECast: Extending intraday solar forecast horizons with deep generative models." arXiv:2312.11966, 2023. [7] Mishra A, Ravindra T, Iyengar S, Kalyanaraman S, Kumaraguru P. "SPIRIT: Short-term Prediction of solar IRradIance for zero-shot Transfer learning Using Foundation Models." arXiv:2502.10307, 2025. [8] Simeunovic J, Schubnel B, Alet PJ, et al. "Spatio-temporal graph neural networks for multi-site PV power forecasting." IEEE Trans. Sustainable Energy, 2021. (292 citations) [9] Fan H, Pei H, Liang R, et al. "Solar-VLM: Multimodal Vision-Language Models for Augmented Solar Power Forecasting." arXiv:2604.04145, 2026. [10] Sarmas E, Dimitropoulos N, Marinakis V, Mylona Z. "Transfer learning strategies for solar power forecasting under data scarcity." Scientific Reports, 2022. (163 citations) [11] Kumari P, Toshniwal D. "Extreme gradient boosting and deep neural network based ensemble learning approach to forecast hourly solar irradiance." J. Cleaner Production, 2021. (311 citations) [12] Zhou Y, Li Y, Wang D, Liu Y. "A multi-step ahead global solar radiation prediction method using an attention-based transformer model." Int. J. Hydrogen Energy, 2023. (52 citations) [13] Xu S, Zhang R, Ma H, Ekanayake C, Cui Y. "On vision transformer for ultra-short-term forecasting of photovoltaic generation using sky images." Solar Energy, 2024. (54 citations) [14] Zang H, Zhang Y, Cheng L, Ding T, Wei Z. "Multi-site solar irradiance forecasting based on adaptive spatiotemporal graph convolutional network." Expert Systems with Applications, 2024. (36 citations) [15] Abdullah ME. "Physics-Informed State Space Models for Reliable Solar Irradiance Forecasting in Off-Grid Systems." arXiv:2604.11807, 2026. [16] Boussif O, Boukachab G, Assouline D, Massaroli S, Yuan T, Benabbou L, Bengio Y. "Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context." NeurIPS 2023 Workshop. arXiv:2306.01112. [17] Hatanaka Y, Glaser Y, Galgon G, Torri G, Sadowski P. "Diffusion Models for High-Resolution Solar Forecasts." arXiv:2302.00170, 2023. [18] Hoang T. "Efficient Deep Learning for Short-Term Solar Irradiance Time Series Forecasting: A Benchmark Study." arXiv:2512.23898, 2025. [19] Baran S, Marin JC, Cuevas O, et al. "Machine learning-based probabilistic forecasting of solar irradiance in Chile." arXiv:2411.11073, 2024. [20] Boubaker S, Benghanem M, Mellit A, Lefza A. "Deep neural networks for predicting solar radiation at Hail Region, Saudi Arabia." IEEE, 2021. (108 citations) [21] Alvarez-Alvarado MS, Rios-Moreno JG, et al. "Hybrid techniques to predict solar radiation using SVM and search optimization algorithms." Applied Sciences, 2021. (133 citations) [22] Barhmi K, Heynen C, Golroodbari S, van Sark W. "A review of solar forecasting techniques and the role of artificial intelligence." Solar, 2024. (87 citations) [23] El-Amarty N, Marzouq M, El Fadili H, et al. "A comprehensive review of solar irradiation estimation and forecasting using ANN." Env. Sci. Pollution Research, 2023. [24] Gurel AE, Agbulut U, Bakir H, et al. "A state of art review on estimation of solar radiation with various models." Heliyon, 2023. [25] Voyant C, Despotovic M, Notton G, et al. "On the importance of clearsky model in short-term solar radiation forecasting." arXiv:2503.07647, 2025. [26] Perera M, De Hoog J, Bandara K, Senanayake D, Halgamuge S. "Day-ahead regional solar power forecasting with hierarchical temporal convolutional neural networks." arXiv:2403.01653, 2024. [27] Perera M, De Hoog J, Bandara K, Halgamuge S. "Distributed solar generation forecasting using attention-based deep neural networks for cloud movement prediction." arXiv:2411.10921, 2024. [28] Pombo DV, Bindner HW, Spataru SV, Sorensen PE. "Increasing the accuracy of hourly multi-output solar power forecast with physics-informed machine learning." Sensors, 2022. (66 citations) [29] Gao M, Hu J, Shi F, Chen S, Liu X. "Adversarial discriminative domain adaptation for solar radiation prediction: cross-regional zero-label transfer learning." Applied Energy, 2024. (40 citations) [30] Fan J, Wang X, Zhang F, Ma X, Wu L. "Predicting daily diffuse horizontal solar radiation using SVM and tree-based models." J. Cleaner Production, 2020. (123 citations) [31] Mayer MJ, Yang D. "Probabilistic photovoltaic power forecasting using a calibrated ensemble of model chains." RSER, 2022. (70 citations) [32] Erdmann N, Bentsen LO, Stenbro R, Riise HN, et al. "Deep and Probabilistic Solar Irradiance Forecast at the Arctic Circle." arXiv:2410.07806, 2024. [33] Suwanwimolkul S, Tongamrak N, Thungka N, et al. "Developing a Thailand solar irradiance map using Himawari-8 and deep learning." arXiv:2409.16320, 2024. [34] Smyl S, Pelka P, Dudek G. "Probabilistic Multi-Regional Solar Power Forecasting with Any-Quantile Recurrent Neural Networks." arXiv:2602.05660, 2026. [35] Nie Y, Li X, Scott A, et al. "SKIPP'D: a SKy Images and Photovoltaic Power Generation Dataset." arXiv:2207.00913, 2022.