基于模式的关联外推法用于地面云图像的多步预测

《Solar Energy》：Pattern-aligned correlation extrapolation for multi-step forecasting of ground-based cloud images

　　• PACE-Net 明确保留了候选的局部位移对应关系。
• 因果性时间建模和相关性反馈提高了多步一致性。
• 代理光伏（Proxy-PV）分析将云图像误差与模拟的功率轨迹联系起来。

引言
光伏（PV）发电的日益普及在向低碳能源系统转型中发挥着越来越重要的作用[1]。然而，PV 输出对局部云层覆盖的变化非常敏感，在几分钟的时间尺度上可能会迅速波动[2]。这种小时内功率的急剧变化使得短期功率平衡、能量存储调度和储备分配变得复杂[3]。因此，准确描述短期云层演变对于评估云层引起的 PV 变异性非常重要[4]。与传统的气象观测相比，基于地面的云图像序列提供了更高的空间和时间分辨率，并直接捕捉到局部云场的外观和短期演变，使它们成为超短期太阳预报的宝贵信息来源[5,6]。尽管最近取得了进展，但由于三个密切相关的原因，基于地面的云图像多步预报仍然具有挑战性。首先，云区域在连续观测之间可能会表现出相当大的且空间上变化的表观位移。仅通过隐式特征变换来表示帧间演变的模型可能会面临空间错位、轨迹偏移和局部结构扭曲的问题[7,8]。其次，在自回归生成过程中，早期预测步骤引入的空间和结构误差可能会传播到后续预测中，导致随着预测范围的增加而逐渐退化[9],[10],[11]。第三，以像素级重建损失为主导的优化通常会倾向于平均预测，导致云边界过度平滑以及细云和局部纹理信息的丢失[12,13]。全球光照的变化、太阳光晕效应和背景条件可能进一步干扰局部云特征的提取和可靠的帧间对应关系的建立。

基于地面的天空图像越来越多地被应用于小时内太阳预报。Ruan 等人比较了基于直接和间接天空图像的预报工作流程[14]。Ansong 等人结合天空图像和云覆盖率信息与卷积神经网络-长短期记忆模型进行15分钟前的辐照度预报[15]。Bamisile 等人开发了一个多模态注意力框架，用于从天空图像特征中预测光伏功率[16]，而 Kari 等人使用基于地面云图像的密集光流特征进行光伏功率预测[17]。虽然这些研究主要将天空图像映射到辐照度或光伏功率，但本研究关注的是多步未来云图像预测这一中间任务。对于这一任务，STANet 通过基于注意力的学习联合建模瞬态变化和累积趋势[18]，而 MSTANet 采用了一种无循环的多尺度时空注意力架构[19]。然而，它们的帧间运动信息主要是通过潜在特征变换和基于注意力的聚合来编码的，并没有明确保留与不同局部位移相关的候选对应关系。对于具有较大或空间上变化明显运动的云区域，这在递归预测过程中难以保持精确的局部对齐和轨迹连续性，从而增加了轨迹漂移和局部结构退化的风险。

从更广泛的时空预测角度来看，PredRNN 和 PredRNN++ 通过循环隐藏状态更新来传播空间和时间信息[9],[10],[11]，而 PhyDNet 则将结构化动态与互补的残差表示分离[20]。前馈预测器如 SimVP 和 TAU 通过卷积变换或时间注意力来建模时空演变，而不需要门控循环单元[21,22]。基于视觉变换器的方法使用块令牌自注意力进行全局视觉依赖性建模[23]，而基于 Mamba 的方法则提供了基于选择状态空间的高效长序列表示的另一种方法[24,25]。这些架构提供了多种时间建模机制，但通常是从转换后的潜在特征中推断帧间对应关系。PWC-Net 明确构建了用于成对密集光流估计的成本体积[26]，但它并不适合模拟局部对应关系的历史演变或在自回归多步云图像生成过程中更新对应关系。因此，一个剩余的挑战是在统一的预报框架内整合位移感知的局部对应关系、因果历史建模、场景适应性调节、自回归状态更新和结构细节保持。

为了解决这一挑战，本研究提出了模式对齐的相关性外推网络（PACE-Net），这是一个没有门控循环单元的自回归卷积预报框架。对于每对相邻的编码特征，三个扩展的特征变换分支以相同的空间分辨率运行并提供不同的上下文感受野。在每个分支中，后续帧的特征在预定义的候选位移集合上采样，并与参考帧的特征进行相关联。由此产生的分支特定的相关体积保留了多个局部对应响应，而无需估计唯一的连续光流场。由于响应是在每个空间位置独立计算的，这种公式允许空间上变化的对应关系分布，而不是对整个云场施加单一的刚性平移。融合的相关表示由全局调制局部上下文（GMLC）模块通过场景级通道信息进行调节。然后，从相邻的历史帧对获得的相关特征按时间顺序通过因果性扩展的时间卷积网络（TCN）进行处理，以模拟它们的时间演变。得到的时间上下文被自适应地与最新的编码空间特征融合，以初始化自回归潜在状态。未来帧通过残差解码和逐步细化依次生成。在每个预报步骤之后，选定的反馈帧被重新编码，并重新计算其与前一个输入的候选位移相关性，以更新下一步的潜在状态。训练期间采用计划采样来减少训练和推理条件之间的差异。一个综合的锐度感知目标进一步约束了像素保真度、结构相似性、空间梯度一致性和感知特征相似性。这里，模式对齐表示在固定分辨率的候选局部位移空间内的对应匹配，而不是显式的光流估计或物理约束的变形建模。本研究的主要贡献总结如下：

- 一种候选位移相关性的公式适用于多步基于地面的云图像预报。相同分辨率的特征变换分支具有不同的感受野，构建并融合了分支特定的局部相关体积，从而保留了多个空间对应候选项，而无需估计唯一的光流场。
- 开发了一个统一的自回归卷积框架，以协调场景适应性相关调制、因果历史时间建模、潜在状态初始化、渐进式图像重建和基于相关性的状态更新。进一步引入了一个综合的锐度感知目标，以减轻多步外推过程中的边界模糊和局部结构退化。
- 所提出的框架在两个公共的基于地面的云图像数据集上进行了系统评估。评估涵盖了像素级、结构和感知预报准确性；长预测范围稳定性；多种子鲁棒性；收敛行为；超参数敏感性；桌面GPU延迟；以及峰值GPU内存消耗。此外，还进行了基于仿真的代理光伏（proxy-PV）分析，以检查云图像预报误差如何传播到下游的代理功率重建和坡度事件检测。

相关工作
准确描述云的时空演变对于小时内基于地面的云图像预报至关重要。现有研究分为三类：传统的云运动估计、深度时空预测学习和基于相关性的运动感知预测。本节回顾了与多步云图像预报相关的代表性发展及其剩余限制。

问题公式
给定到时间 t 为止观测到的连续的 n 张基于地面的云图像 Tin，目标是预测接下来的 t+U 张帧 Tout。历史输入为 Xin={xt-Tin+1,?,xt}，而预测和参考的未来序列分别为 Y^=x^t+1,?,x^t+Tout 和 Y={xt+1,?,xt+Tout}。每张图像满足 xi∈[0,1]C×H×W。主要预报设置使用 C=1, H=W=256, 和 Tin=Tout=10。PACE-Net 通过自回归生成未来帧。在预报步骤 k 时，预测结果是从...

实验
本节通过短期和长期预报实验以及基于仿真的代理光伏（proxy-PV）分析来评估 PACE-Net。

讨论
结果表明，PACE-Net 在 PSA-Almería 和 Stanford-WSI 数据集上一致性地提高了多步云图像预报的性能，特别是在结构和感知质量方面具有显著优势。定量和定性结果显示，该模型更好地保留了云边界、局部对比度和空间连续性，尤其是在较晚的预报步骤中。因此，其优势不仅限于减少平均像素误差，还在于保持感知上的相关性。

结论
本研究提出了 PACE-Net，一种用于多步基于地面的云图像预报的模式对齐相关性外推网络。该模型整合了候选位移对应关系建模、全局调制局部上下文、因果性时间聚合和自回归残差重建，以在多步预测过程中保持云结构。在 PSA-Almería 和 Stanford-WSI 数据集上的实验表明，在像素级、结构和...

在本文的准备过程中，作者使用 ChatGPT 来提高手稿的语言和可读性。使用该工具后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。

作者贡献声明
Tianzhi Sun：写作 - 原始草稿、可视化、验证、软件、方法论、调查、数据管理、概念化。
Tusongjiang Kari：写作 - 审阅与编辑、监督、资源、项目管理、方法论、资金获取、概念化。
Ziwei Zhang：写作 - 审阅与编辑、验证、资源、形式分析。
Jiahui Wu：项目管理、调查、概念化。
Weizhuang Si：监督、调查。

资助
本项工作得到了新疆维吾尔自治区重大科学技术专项项目（项目编号：2025A01006-3）和新疆维吾尔自治区关键研发计划（项目编号：2024B04002-1）的支持。资助者在研究设计、数据收集与分析、发表决定或手稿准备过程中没有发挥作用。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。