基于形状先验流匹配的数值天气预报降尺度日前概率太阳辐照度预测改进

《Energy and AI》：Improving day-ahead probabilistic solar irradiance forecasting via shape-prior flow matching for numerical weather prediction downscaling

　　

准确的日前太阳辐照度预测对于光伏并网、备用调度和储能运行至关重要。然而，业务化数值天气预报（Numerical Weather Prediction, NWP）产品通常仅提供小时分辨率，这限制了其表征与电力系统运行相关的亚小时辐照度爬坡和云致波动的能力。为解决这一局限，本研究提出了形状先验条件流匹配（Shape-Prior conditional Flow Matching, SPFlow），一种概率时间降尺度框架，可将小时级NWP预报转换为15分钟辐照度轨迹。SPFlow首先采用确定性的SPTransformer，从粗分辨率NWP预报、卫星反演气象变量、晴空辐照度和站点信息中构建具有物理依据的高分辨率形状先验。在此信息丰富的先验条件下，条件流匹配模型对确定性轨迹进行概率细化，以表征未解析的亚小时变异性和预报不确定性。在SURFRAD数据集上的实验表明，SPFlow持续优于统计方法、确定性深度学习方法和概率生成基线。相对于最强的概率基线，其连续排名概率分数（Continuous Ranked Probability Score, CRPS）最多降低10.9%，改善了亚小时爬坡表征，生成的预测区间具有接近名义水平的经验覆盖率，并在未见站点上展现出有前景的零样本迁移能力。这些结果表明，将物理信息丰富的形状先验构建与基于条件流的概率细化相结合，为将粗分辨率NWP预报转化为具有运行价值的亚小时概率太阳预报提供了一种有效途径。

**论文解读：基于形状先验流匹配的NWP降尺度日前概率太阳辐照度预测**

**研究背景与问题**

准确的光伏功率预测对于电网中光伏系统的高比例集成、备用容量调度和储能运行至关重要。日前电力市场中的关键决策高度依赖日前全球水平辐照度（Global Horizontal Irradiance, GHI）预报。数值天气预报（Numerical Weather Prediction, NWP）模型在日前尺度上表现优异，但其业务产品普遍仅有小时分辨率，难以捕捉由快速云场演变引起的亚小时爬坡事件和高频波动。这种时空分辨率失配给电网稳定性带来严重风险，也导致技术经济评估中低估年化成本、扭曲平准化度电成本，并在可再生能源系统设计中产生不可行方案。因此，将小时级NWP预报降尺度为亚小时分辨率，成为连接气象服务与电力系统运行需求的实用、经济且高效的途径。现有降尺度方法（如马尔可夫链、确定性插值、随机叠加、无量纲化匹配和机器学习方法）在NWP背景下存在依赖静态历史概率、过度平滑、噪声生成缺乏物理一致性、依赖历史相似日等问题。为此，研究人员提出了SPFlow，将NWP降尺度重构为轨迹细化问题，以生成具有可靠不确定度量的亚小时概率预报。

**研究开展与结论**

研究人员在《Energy and AI》期刊上发表了这项研究。他们利用美国SURFRAD网络的五个站点（BON、FPK、GWN、PSU、SXF）数据作为训练和测试集，另有两个站点（DRA和TBL）用于零样本测试；使用NSRDB卫星反演数据（15分钟分辨率，含GHI、温度、相对湿度、风向、风速及REST2晴空辐照度）和HRRR模式00Z起报的逐小时GHI预报。SPFlow采用两阶段流程：第一阶段由SPTransformer构建物理信息形状先验，第二阶段通过条件流匹配进行概率细化。实验表明，SPFlow在所有测试站点上均取得最低CRPS，相对最强概率基线CSDI最多降低10.9%；预测区间宽度较传统概率模型缩小超过55%，同时经验覆盖率接近名义90%水平；在晴空、多云、不同季节及零样本站点均保持稳定优势。

**主要技术方法**

SPFlow的核心方法包括：（1）SPTransformer，内含可变注意力单元（Variable Attention Unit, VAU）和时间注意力单元（Temporal Attention Unit, TAU），分别解耦气象变量间交互和多尺度时间依赖；（2）Soft-Dynamic Time Warping（Soft-DTW）损失函数，缓解相位偏移导致的双重惩罚和谱偏置；（3）形状先验条件流匹配（Conditional Flow Matching, CFM）模型，将源分布锚定在形状先验周围，学习随机残差校正；（4）基于HRRR、NSRDB和SURFRAD多源数据构建的降尺度框架，训练集为2019—2021年，测试集为2022年。

**研究结果**

**5.1 与基准模型比较**：在五个站点上，SPFlow的CRPS均最低（如BON站44.93 W/m2，较GP降低约22.5%，较CSDI降低10.9%）；PICP接近0.9且MPIW明显更窄，表明其可靠性—锐度权衡优于概率基线；RMSE、MAE、R2等确定性指标也全面领先。

**5.2 不同天气条件下的性能**：采用天气分类方法后，SPFlow在多云、晴空和全部样本场景下均保持最低RMSE和MAE；多云高不确定性场景下，RMSE较ARIMA降低约10%–45%，较CSDI和iTransformer降低约2%–8%。

**5.3 不同季节下的性能**：按春、夏、秋、冬划分后，SPFlow在四季均表现最优或接近最优；夏季因对流活动强导致所有模型误差升高，但SPFlow仍将RMSE和MAE较ARIMA降低约25%–45%和20%–40%，较CSDI和iTransformer降低约5%–20%。

**5.4 形状先验有效性量化**：消融实验对比SPFlow与使用高斯先验的SPFlow-G和晴空先验的SPFlow-C。SPFlow在所有站点显著优于SPFlow-G；相对SPFlow-C，在四个站点显著降低CRPS（GWN为数值改进），表明学习到的形状先验和残差细化均有贡献。

**5.5 损失函数消融研究**：对比MSE、MAE、Huber和Soft-DTW四种损失训练SPTransformer。Soft-DTW在三个指标上均最低，CRPS较最佳点态损失（MAE）改善2.8%–3.9%；频谱分析显示，Soft-DTW的高频能量保留率（η_HF=0.64）较MSE（0.46）相对提升39%，减轻了谱偏置。

**5.6 可追踪轨迹分析**：可视化流匹配的ODE积分过程，SPTransformer提供暖启动后，流动模型通过速度场逐步修正偏差；在2022-11-08案例中，RMSE从SPTransformer的193.11 W/m2降至SPFlow的103.56 W/m2；速度热图显示高修正量集中在先验误差较大的时段。

**5.7 可变形注意力模块的可解释性**：VAU生成稀疏且物理可解释的注意力模式，自动聚类出辐射相关、温湿相关和风相关三个变量组；TAU产生更锐利的对角带和约12步滞后的周期脊，相比标准自注意力更好地捕获短期依赖和日周期性。

**5.8 敏感性分析**：源噪声尺度δ在0.05–0.20范围内，PICP接近0.9且CRPS稳定（44.93–45.24 W/m2），δ=0.10位于宽稳定区；集成成员数从5增至10时CRPS降至44.93 W/m2，继续增加至50时CRPS仅变化0.49%，表明10个成员已足够。

**5.9 零样本性能**：在未参与训练的DRA和TBL站点，SPFlow的RMSE、MAE和R2均优于CSDI、iTransformer和ARIMA（如DRA站RMSE 81.04 W/m2，R2=0.926），核密度图显示其预测分布与观测高度一致，表明具有良好的地理泛化能力。

**讨论总结与结论**

讨论结果表明，SPFlow的优越性源于三个关键设计：物理信息形状先验降低了生成模型的传输距离；Soft-DTW训练保留了亚小时爬坡的频谱内容；条件流匹配以稳定的ODE轨迹实现概率细化。消融和敏感性分析证实了各组件的重要性和参数鲁棒性。零样本实验显示模型可迁移至未见站点，无需站点特定重训。

研究结论翻译如下：本研究提出了SPFlow，一种形状先验条件流匹配框架，用于改进基于粗分辨率NWP产品的日前概率太阳辐照度预报。该方法解决了可再生能源预报中的一个关键运行限制：小时级NWP预报虽能提供大尺度大气信息，但无法直接解析光伏并网、储能调度和电网运行所需的亚小时辐照度爬坡。SPFlow首先利用Soft-DTW训练的SPTransformer构建物理上有意义的形状先验，然后通过条件流匹配细化该先验，生成在评估的90%预测区间水平上具有接近名义经验覆盖率的概率预报轨迹。在SURFRAD、NSRDB和HRRR数据上的广泛实验表明，SPFlow持续优于统计方法、确定性深度学习和概率生成基线。它在所有测试站点取得最低CRPS，相对最强概率基线最多改善10.9%。模型生成的预测区间接近名义覆盖率，同时比传统概率基线更锐利。消融研究证实了形状先验和Soft-DTW训练均有助于预报改进；频谱诊断表明SPFlow更好地保留了亚小时爬坡相关的高频分量。零样本实验进一步证明了其在未见站点上的可迁移性。总体而言，SPFlow为将粗分辨率日前NWP太阳预报转化为亚小时概率预报提供了一种可解释且运行相关的解决方案。其可追踪的ODE细化过程和经验可靠的区间估计，使其适用于需要可靠短间隔太阳信息的可再生能源应用，包括光伏运行、爬坡风险评估和储能调度。