区域太阳辐照度日前预报是保障分布式电力系统稳定运行的关键支撑。然而，在区域尺度下，现有深度学习方法在日前（24小时）预报中的精度仍难以超越传统数值天气预报（NWP）。其核心局限在于：晴空指数（CSI）在夜间因辐照度趋于零而存在定义缺失。多数模型因此选择直接预报总水平辐照度（GHI）或强行剔除夜间时段，这不仅导致全日序列在物理演变上出现断层，更因夜间云层演变信息的缺失，严重制约了清晨时段的预报精度。

    针对上述瓶颈，本文提出一种具备连续性感知能力的日前时空预报框架。该框架引入静止卫星观测数据，设计了受地理条件约束的混合专家（MoE）U-Net模型，通过对晴空与云天特征进行独立特化学习，有效合成了包含云层演变动态的夜间CSI数据。随后，将生成的夜间CSI与白昼数据深度融合，为OpenSTL框架下的序列到序列（Seq2Seq）预测模型构建出无缝连续的24小时目标序列。

    基于2021—2023年香港地区的Himawari-8/9卫星观测红外波段及CAMS辐照度数据，本文在连续与非连续CSI范式下开展了系统的对比与消融实验。结果表明，连续性感知CSI能够稳定且显著地提升日前预报精度；在转换为GHI后，清晨时段的预测精度提升尤为突出，且该策略在多种深度学习与物理基线模型上均实现了稳定的性能增益。本研究证实，恢复全日序列的物理连续性，是提升数据稀疏、地形复杂城市区域日前太阳辐照度预测精度的一种高效且高可迁移的策略。

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；