非自回归Transformer用于太阳辐照度高分辨率时间序列降尺度

《Solar Energy》：Non-autoregressive transformer for high-resolution time series downscaling of solar irradiance

　　

非自回归Transformer在单次前向传播中生成1440个分钟级数值。该方法相较竞争方法在Kullback-Leibler散度(KLD)上提升41%，在Jensen-Shannon散度(JSD)上提升50%。输入需求极少，仅需小时级全球水平辐照度(GHI)与地理坐标。研究在涵盖多种气候带的12个多样化基线地表辐射网络(BSRN)台站完成验证。太阳辐照度数据尤其是全球水平辐照度(GHI)对光伏(PV)发电建模与预测至关重要。地面测量虽精确但空间覆盖有限，卫星数据常仅提供15–30分钟或小时级分辨率，难以捕捉云层过境引起的快速波动，导致对逆变器限功率损失等评估偏差达年发电量的5%。研究人员提出将降尺度视为序列到序列任务的非自回归Transformer方法，单次前向传播生成全天分钟级序列，仅以小时级GHI与坐标为输入，在分布层面指标上优于五类前沿方法，且具备跨气候区泛化能力。

研究背景方面，全球水平辐照度(GHI)是光伏(PV)系统性能建模与预测的核心变量。地面基线地表辐射网络(BSRN)可提供1分钟分辨率高质量观测，但站点稀疏；卫星反演数据虽近全球覆盖，却多停留在15–30分钟甚至小时级，典型气象年(TMY)数据亦为小时级。小时平均会平滑掉云边过境造成的高频波动，使功率波动被低估，并系统性低估逆变器限功率(clipping)损失，年发电量误差可达5%，进而影响高比例光伏接入下的电网稳定性评估与储能容量配置。既有降尺度方法分为马尔可夫、确定性插值、随机、无量纲(ND)与机器学习五类：马尔可夫与部分机器学习依赖海量历史库，确定性方法难复现自然变率，随机与无量纲法在部分云况下受限。现有机器学习多聚焦预测而非时间分辨率降尺度，且少有工作引入先进序列架构。因此，亟需一种不依赖本地长序列、能跨站点泛化、可一次生成全天分钟级序列的轻量模型。

研究人员以BSRN分钟级GHI为基准，选取35个训练台站（覆盖柯本气候分类各亚类、南北半球及极地到热带）与12个完整年测试台站（如Alice Springs 2005、Tateno 2013等）。先将分钟级真值上采样为小时均值构建输入，计算晴空指数(k_t)=地表GHI/地外水平辐照度，用pvlib默认上限2.0将k_t∈[0,2]离散为1024个token，并插入1024、1025号日出日落边界特殊token，词汇表共1026。模型采用非自回归Transformer，编码器-解码器各1层、4头注意力、模型维度128、前馈隐维256、dropout 0.3，输入为26位（24小时token+2边界），输出1440位分钟级token，总参数约0.98M。推理时对logits做softmax后按温度T=1采样选token，反token化得k_t序列，再乘地外辐照度与太阳天顶角余弦（夜间截断为0）还原GHI。后处理分两步：5分钟滑窗取30%与70%分位数中点去高频噪声；按小时块以原始小时GHI为基准重缩放，严格保证小时能量守恒。训练采用分布层面物理损失，验证用KLD、JSD等分布指标。

研究结果部分，引言指出小时级数据缺陷与降尺度必要性。相关工作中对比五类传统路径并指出机器学习降尺度的数据依赖瓶颈。方法论的数据集小节阐明BSRN训练/测试台站筛选标准（测试站需≥350天有效年数据）与k_t归一化动机——分离几何确定性变率与随机变率以实现跨纬度泛化。所提模型小节明确非自回归相对自回归（如逐分钟迭代）的计算优势：单次前向得1440点，温度参数调控平滑-波动权衡。后处理小节给出分位数滤波与能量重标公式。

讨论与结论部分，研究人员发现非自回归Transformer在12个异质气候台站上相较五类前沿方法（马尔可夫、ND、随机Dirichlet、ANN分类库、正弦物理插值）于KLD改善41%、JSD改善50%，且仅需小时GHI+坐标，无需本地训练年或多参数卫星云产品。该框架将降尺度从回归转为token序列分类，利用k_t离散化兼顾物理意义与Transformer并行性；日出日落特殊token提升了晨昏过渡精度；后处理两步法在保留随机变率同时锁住小时能量。意义在于为TMY、卫星小时级数据用户提供即插即用的分钟级GHI合成工具，直接改进逆变器限功率损失、储能爬坡与电网时序仿真精度。论文发表于《Solar Energy》。

结论翻译：非自回归Transformer通过单次前向传播由小时GHI与坐标生成全天1440分钟k_t序列，经去噪与能量守恒后处理，在跨气候带BSRN验证中以KLD降41%、JSD降50%优于五类基准，证明序列分类范式可兼顾轻量输入、跨站泛化与高频变率保真，为光伏时序高分辨重构提供新基线与开源路径。