《Applied Energy》：A systematic synthesis of sky image enhancement techniques for ground-based solar irradiance forecasting
编辑推荐：
可再生能源领域的发展，特别是太阳能，对于减缓快速进展的气候变化至关重要。然而，与太阳能生产能力稳定性相关的固有不确定性阻碍了基于太阳能的来源大规模并入电网。因此，本研究通过提出一个系统性的、大规模的综合和验证，针对地基太阳预测的全面神经网络图像增强管道，解决了
可再生能源领域的发展，特别是太阳能，对于减缓快速进展的气候变化至关重要。然而，与太阳能生产能力稳定性相关的固有不确定性阻碍了基于太阳能的来源大规模并入电网。因此，本研究通过提出一个系统性的、大规模的综合和验证，针对地基太阳预测的全面神经网络图像增强管道，解决了这一实际挑战。该整合管道包括太阳掩膜（Sun mask）、光流（optical flow）、云通道（cloud channel）以及用于早期时空融合（spatio-temporal fusion）的新型辐照度值通道（irradiance value channel）。作为第二个关键方法创新，研究人员引入了平均自适应BerHu惩罚（mean adaptive BerHu penalty）作为损失函数，该函数被证明特别适合稳健处理太阳辐照度值（solar irradiance values）的高动态范围。所提出的全面管道，在时空模型（spatio-temporal model）上评估时，优于文献中的现有方法。这种强大性能并非特定于架构，正如研究人员的跨架构研究所示，其中管道的可移植性在15分钟预测时域（forecasting horizon）内，在评估模型中实现了平均19.35%的预测技能（forecast skill）。这是由于物理参考的、表征级别的增强，这些增强作为架构无关的预测技能驱动因素，超越了增量式的、模型特定的调优。其实际适用性进一步通过跨多个小时内时间时域的有效性得到确认，在超短5分钟（16.22%）和较长30分钟（22.52%）时段均表现出显著技能提升。最后，通过在资源受限的边缘设备（edge devices）上的广泛验证，确认了其实际可部署性。本研究中使用的源代码已公开发布，以促进研究可重复性。
论文解读：基于天空图像增强的系统综合方法在地基太阳辐照度预测中的应用
**1. 研究背景与问题**
可再生能源发展，特别是太阳能，是缓解气候变化的关键。然而，太阳能的间歇性导致其大规模并网困难。太阳辐照度（solar irradiance）是决定光伏（photovoltaic, PV）产能的核心变量，但受短时气象事件（如云层覆盖和运动）影响，波动剧烈且难以预测。传统仅依赖时间序列数据的模型缺乏空间信息，无法精准预测小时级（intra-hour）辐照度。地面天空成像仪（sky camera）的引入提供了空间信息，但现有文献缺乏对图像增强技术（image enhancement techniques）的系统比较和综合评估，且多数研究未考虑边缘设备（edge device）上的实际部署性能。因此，本研究旨在填补这一空白，通过大规模合成与验证，提出一种最优的图像增强管道，以提升地基太阳辐照度预测的准确性和实用性。该论文发表在《Applied Energy》。
**2. 研究内容与结论**
研究人员提出并验证了一个基于神经网络的全面图像增强管道，包括太阳掩膜（Sun mask）、光流（optical flow）、云通道（cloud channel）和辐照度值通道（irradiance value channel），并引入平均自适应BerHu惩罚（mean adaptive BerHu penalty）作为损失函数。在Folsom数据集（美国加州Folsom地区，2014-2016年，包含1536×1536高分辨率天空图像和对应辐照度读数）上，该管道在时空模型（spatio-temporal model）上实现了优于现有方法的性能，且跨架构研究显示其平均15分钟预测时域的预测技能（forecast skill）达19.35%。该管道在5分钟和30分钟时段也显著提升技能（分别为16.22%和22.52%），并在资源受限的Raspberry Pi 4B和5上验证了实时处理能力。此外，跨站点泛化测试（波兰Poznan数据集）表明，仅用一天数据微调即可获得正向预测技能（6.30%）。
**3. 主要关键技术方法**
研究人员采用的关键技术方法包括：①图像预处理（标准化、阴影区域掩膜、调整至128×128或384×384分辨率）；②数据增强（几何变换，如随机平移、旋转、缩放和翻转）；③太阳掩膜（基于地理位置和时间戳计算太阳位置，生成投影掩膜）；④辐照度值通道（将当前辐照度值与太阳掩膜融合，实现早期融合）；⑤光流（Farneback和Dense Inverse Search [DIS]算法，计算连续帧间的云运动矢量）；⑥云通道（红蓝比 [R2B]、红蓝差 [R-B]、归一化蓝红比 [Norm. B/R] 三种方法，输出原始值而非二值掩膜）；⑦多通道输入合成（将RGB图像、太阳掩膜、云通道、光流沿深度维堆叠）；⑧BerHu损失函数（自适应阈值，平衡小误差稳健性和大误差惩罚）。样本队列来源：Folsom数据集。
**4. 研究结果**
**5.1 性能标准**
研究人员定义了MAE、MAPE、RMSE、nRMSE和预测技能（FS）作为评估指标，并以智能持久模型（smart persistence model, SPM）为基准。
**5.2 图像增强技术的消融研究**
通过逐步添加增强方法，发现BerHu损失函数优于MSE、MAE、SmoothL1和Huber，使ResNet50（ImageNet预训练）的FS从15.90%提升至17.88%（加入数据增强）；再添加太阳掩膜（FS 18.28%）、辐照度值通道（FS 18.87%）、DIS光流（FS 20.66%）和归一化蓝红比云通道（FS 21.71%），表明组合管道效果最佳。
**5.3 与最新方法的比较评估**
在相同条件下，ResNet50搭配最优图像增强管道（IEP）的FS为21.71%，优于Venitourakis等人（FS 17.32%）、Papatheofanous等人（FS 16.10%）、Hendrikx等人（FS 16.00%）等方法，在所有指标上均领先。
**5.4 输入分辨率对性能的影响**
测试96×96至384×384五种分辨率，发现384×384略优（FS 22.67%），但128×128（FS 21.71%）已接近，且计算成本更低，因此后续实验采用128×128和384×384。
**5.5 预测能力**
对5、10、15、30分钟时域评估，带IEP的模型均优于无IEP版本和SPM。5分钟时，384×384输入FS为16.22%；10分钟时FS为22.76%；15分钟时FS为22.67%；30分钟时128×128输入FS为22.52%。表明神经网络随预测时域增长优势更明显。
**5.6 边缘设备性能评估**
在Raspberry Pi 4B和5上测试，128×128输入时，每样本处理时间分别约163 ms和71 ms，满足1分钟数据分辨率要求。384×384输入时，处理时间增至约1.2 s和0.57 s，仍可接受。新版本Raspberry Pi 5速度约为4B的2.5倍。
**5.7 探索性跨站点泛化测试**
在波兰Poznan数据集上，零样本（zero-shot）迁移FS为-34.31%，但仅用一天数据微调（few-shot）后，FS提升至6.30%，表明模型可快速适应新地点。
**5.8 运行与经济影响**
模拟电池储能系统（BESS）的15分钟调平操作，带IEP的模型将电池吞吐量降低20.8%（从2.25 GWh降至1.78 GWh），并将预调度弃电降低98.7%，显著延长电池寿命并减少运营成本。
**5. 讨论与结论**
**讨论总结**：研究证实系统综合图像增强方法可显著提升太阳辐照度预测性能，其改进源于管道的组合效应而非单一算法。BerHu损失函数对高低辐照度值均稳健，早期融合（太阳掩膜与辐照度值）使编码器关联位置与辐射水平。跨架构实验证明管道可移植性，且边缘设备上的实时处理可行。跨站点测试表明少样本微调有效。BESS模拟显示实际经济效益。
**结论翻译**：本文通过多输入神经网络架构，整合并验证了图像增强和物理基础方法的全面管道，为太阳预测提供了系统贡献。该架构结合了编码天空图像的空间特征和辐照度读数的时序特征。本工作的独特之处在于将平均自适应BerHu惩罚作为损失函数，该方法对小值和大值均提供稳健回归，显著提升了性能指标。一个关键创新是多种图像增强技术的组合，特别是太阳掩膜与辐照度读数的融合。另外两种有效方法是云通道和光流。在测试方法中，DIS光流算法对指标影响最佳。总体而言，应用该综合管道优于文献中的其他方法。在多种图像编码器架构上的实验表明，该方案具有可移植性，并显著提升太阳辐照度预测性能。平均而言，使用合成增强方法后，MAE、RMSE和预测技能分别提升了21.78%、10.62%和49.52%。这一结果提供了重要的预测洞见；具体而言，它表明数据级增强相比仅依赖架构特定调优，可作为一种更可移植且通用的性能提升来源。此外，所提出的方法不仅在初始采用的时域上表现出色，而且在所有测试时段内均展现出卓越潜力，其中10分钟和15分钟预测的提升最佳。同时，在资源受限硬件上的性能基准测试确认了所提出方案的实现可行性。这些测试证明，在建议配置下，基于神经网络的算法实现了出色性能，特别是考虑到数据集中样本间1分钟的分辨率。这种高吞吐量为创建更先进的图像回归解决方案提供了重要的研究机会，这些方案也能满足边缘设备的严苛规格。因此，研究人员的研究将专注于算法开发，特别是融入更先进的神经网络架构。尽管主要验证在综合Folsom数据集上进行，研究人员还在波兰Poznan的新数据集上进行了探索性跨站点泛化测试。这些结果确认，虽然直接零样本迁移具有挑战性，但模型特征高度适应，仅通过一天本地数据微调即可获得正向预测技能。这为管道的跨站点适用性提供了强有力的初步证据。未来工作将专注于通过纳入更多地点和气候的样本来扩展泛化测试。此外，计划研究连续适应技术，这些技术可显著提高快速适应新地点或天气条件的能力。最后，尽管第5.8节中的BESS模拟量化了所提出方法的运行效益，特别是电池吞吐量和预调度弃电的显著减少，但该分析依赖于严格的调平制度和成本代理。一个剩余限制是缺乏考虑实时电价、套利机会和资本化退化成本的完全动态经济模型。因此，下一步研究是将所提出的预测框架整合到更全面的系统模拟中，考虑非线性电池退化、热管理和多目标调度策略。将分析扩展到这些高保真环境将验证所提出模型在超越理想化调平场景的严格物理运行条件下的稳健性。总体而言，假设这些未来发展战略将允许系统在测量单元内直接机载部署，靠近光伏电站，从而实现进一步改进和功能使用。
