SolarSeer：超越数值天气预报的24小时超快速太阳辐照度预测AI模型

《Cell Reports Physical Science》：Ultrafast 24-h solar irradiance forecasts outperform numerical weather predictions across the USA

本刊推荐：为解决传统数值天气预报(NWP)在太阳辐照度预测中计算耗时且精度有限的问题，研究团队开发了首个端到端AI模型SolarSeer。该模型通过自适应傅里叶神经算子(AFNO)和Swin Transformer架构，直接利用历史卫星观测数据生成未来24小时5公里分辨率预测，速度比HRRR-NWP快1500倍，在再分析数据和1800个气象站的均方根误差(RMSE)分别降低27.28%和15.35%，为高渗透率光伏电力系统调度提供了革命性工具。

　　

随着全球光伏发电装机容量在2023年达到447吉瓦，占新增发电容量的78%，太阳能正成为主导能源。然而，云层的形成、运动和消散导致地表太阳辐照度存在强烈波动性，给电网稳定性带来严峻挑战。传统数值天气预报(NWP)虽为当前主流预测手段，但其依赖数据同化和偏微分方程求解，需要超级计算机运行数小时，难以满足日前电力市场对24小时预测的实时性需求。

为解决这一难题，来自微软、清华大学和加州大学伯克利分校的研究团队在《Cell Reports Physical Science》发表了突破性研究。他们开发出首个端到端人工智能模型SolarSeer，实现了对美国本土(CONUS)地区24小时太阳辐照度的超快速精准预测。该模型完全规避了传统NWP的数据同化和物理方程求解步骤，将预测时间从小时级缩短至秒级。

关键技术方法包括：1) 采用GOES卫星4个波段(2、7、10、14)的6小时历史观测作为输入；2) 云预测模块集成AFNO变换器层处理时空特征；3) 辐照度预测模块采用Swin Transformer融合云预测结果和Ineichen-Perez晴空辐照度物理先验；4) 使用RTMA再分析数据作为云量标签、ERA5数据作为辐照度标签进行训练；5) 在包含1800个气象站的独立数据集上验证泛化能力。

SolarSeer概述

研究团队设计了包含云块和辐照度块的双模块架构。云块通过4层AFNO变换器将历史6小时卫星图像映射为未来24小时总云量(TCC)预测，辐照度块通过8层Swin Transformer将云预测结果与晴空辐照度结合生成地表太阳辐射向下(SSRD)预测。模型在16个AMD MI200 GPU上训练约1周，参数量达2300万，推理时仅需单GPU3秒即可完成全域预测。

云量预测结果

与美国国家海洋和大气管理局的高分辨率快速更新(HRRR)模型相比，SolarSeer在所有起报时间(UTC 00:00-23:00)和预见期(1-24小时)均表现出更优性能。云量预测的均方根误差降低15.2%-36.0%，平均提升29.13%。空间误差分布显示，SolarSeer在99.99%区域降低RMSE，西部沿海地区改善超30%。

太阳辐照度预测结果

在再分析数据验证中，SolarSeer相较HRRR-NWP将辐照度RMSE降低16.9%-76.9%，平均改善27.28%。特别值得注意的是，模型在气溶胶光学厚度(AOD)较高的西部和南部地区表现尤为突出，这表明其能更好校正气溶胶引起的预测偏差。通过对卫星波段14(常用于气溶胶分析)的数据学习，模型显著提升了高气溶胶区域的预测精度。

气象站辐照度预测验证

在1800个独立气象站数据测试中，SolarSeer在98.78%的站点上RMSE低于HRRR-NWP，平均降低15.35%。以League City站2023年11月数据为例，SolarSeer的预测曲线与实测值贴合度显著优于对比模型。这一结果证实了模型在真实场景下的适用性，尽管训练过程未使用任何站点观测数据。

机理阐释

研究通过分析辐照度不确定成分(晴空辐照度与实际辐照度差值)与总云量的相关性，揭示出85.15%区域二者相关系数>0.5。这表明云量预测精度是提升辐照度预测的关键。SolarSeer通过AFNO架构有效捕捉云层时空演化规律，其卓越的云预测能力直接转化为辐照度预测优势。

高渗透率光伏系统效益

针对光伏功率波动性这一电网调度核心难题，研究团队引入一阶差分(Diff)指标量化辐照度波动特征。SolarSeer将辐照度Diff预测的RMSE降低50.12%，显著优于HRRR-NWP。这种对波动特征的精准捕捉，可为电网灵活资源调配提供更可靠依据。

讨论与展望

该研究确立了AI模型在太阳辐照度预测领域的三大突破：首次实现端到端卫星数据到辐照度的直接映射，速度提升1500倍；在再分析数据和实地观测中均显著超越传统NWP精度；有效捕捉辐照度波动特征。模型展现出对数据缺失和延迟的强鲁棒性——当缺失区域达100×100像素(1.81%)时误差增加<1%。

研究同时指出当前局限：依赖再分析数据训练可能引入偏差，预测时效限于24小时，空间覆盖仅限美国本土。未来工作将扩展至全球范围、延长预测时效至72小时，并引入去噪扩散概率模型(DDPM)生成集合预报。团队计划将SolarSeer应用于实际光伏功率预测和电网调度，进一步推动高渗透率太阳能电力系统的发展。

这项研究不仅为清洁能源并网提供了关键技术支撑，其"物理先验+AI"的融合范式更为气象预报领域提供了新思路。随着模型在时空维度上的持续拓展，SolarSeer有望成为支撑碳中和目标的重要科学工具。