864 / 2026-03-26 15:36:03

基于气象大模型驱动的轻量化辐照度预测方法研究

辐照度,太阳辐照度预报；区域性日前预报；时空序列；夜间合成晴空指数（CSI）；深度学习；,气象大模型,机器学习

主题3 技术、台站、交叉 > 专题3.2 风能太阳能气象

      准确高效的风光气象要素预报是保障新型电力系统安全稳定运行的关键。传统数值天气预报模式受限于物理参数化方案造成的误差累积，中期预报常出现大尺度环流相位偏差，导致云场与辐射收支预报技巧快速退化。新兴的AI气象大模型虽显著提升了中期环流形势预报准确率，但其输出通常为6小时间隔的动力热力场，缺乏高频次地表太阳辐照度等关键新能源要素，难以直接服务于风光功率预测。针对上述问题，本研究提出了一种基于气象大模型驱动的轻量化辐照度预测框架。该框架创新性地融合了气象大模型在大尺度环流预测上的优势与机器学习算法对非线性局部过程的拟合能力。通过构建包含大气物理经验参数的特征工程，建立了从大尺度状态变量到小时级地表太阳辐照度的非线性映射关系。

      本研究利用2020-2024年ERA5再分析资料及葵花卫星反演的高频辐照度数据在中国东部地区20个点位进行模型训练。在2025年10月至11月的连续中期预报测试中，以盘古气象大模型输出的大气状态预报场为驱动，生成了逐小时太阳辐照度预报。结果表明，该模型具有优越的预报精度，该方法日前预报和10天预报的平均均方根误差（RMSE）相较GFS分别降低约20 W/m²和30 W/m²。在应用效率方面，该模型仅需单张GPU卡约15分钟即可生成未来10天的逐小时辐照度预报，相比传统高分辨率数值模式（如WRF）节省近90%的算力资源。本研究证实了气象大模型融合机器学习的范式在能源气象应用中的潜力，为实现低成本、高精度的太阳辐照度预报提供了新的技术路径和实践支撑。