本文提出了一种新的方法，通过从天空图像中提取特征并使用基于学习的技术来估计短期太阳辐照度，实现了对可再生能源的预测，该方法在计算复杂性方面比现有的算法具有更高的竞争力。

Oct, 2023

通过降维天空相机图像的标量特征以满足数据传输限制，我们提出了一种用于太阳辐照短期预测的数据简化机器学习模型。经过受控理论的启发，我们使用噪声输入反映未测量的变量，并证明其显著提高了模型的预测能力。利用来自 NREL Solar Radiation Research Laboratory 的五年数据，我们创建了三个滚动训练验证集，确定了时间的最佳表示形式、输入测量的最佳跨度以及最具影响力的模型输入数据（特征）。在选择的测试数据上，与云量持续模型的基准值 134.35 $W/m^2$ 相比，该模型实现了 74.34 $W/m^2$ 的平均绝对误差。

Mar, 2024

本文介绍了使用深度卷积神经网络预测太阳能辐射强度的初步结果，并探讨了训练算法的图像识别技术，和利用过去相同日期数据进行训练以提高短期预测技能的方法。

May, 2020

通过整合来自全天候摄像头和卫星观测的云覆盖率补充信息，本研究利用机器学习将两种信息融合起来，提高了日照预报的准确性。结果表明，混合模型对于晴朗天气的预测效果更好，同时也提高了更长期的预测能力。

Jun, 2022

本文采用深度学习，设计了一个利用卫星数据的时空上下文来高精度预测全球水平辐照度（GHI）的天际时间序列预测模型，并提出了一种预测不确定性分布的方法。作者通过将特别困难的日子（在这项研究中特别是经历变化多端的多云天）与简单的日子分开来评估模型性能，提出了一种测试方案。同时，作者还提出了一个新的多模态数据集，收集了来自多个地理位置不同的太阳能站的太阳能辐射和其他相关物理变量的卫星图像和时间序列。该方法在太阳辐照度预测中表现出鲁棒性，包括在未观测到的太阳能站进行零样本推广测试，并极有潜力促进太阳能与电网的有效整合。

Jun, 2023

本文研究了在欧洲和北非地区，利用多变量 Transformer 模型预测光合有效辐射吸收分数（FAPAR）的时间轨迹的潜力，研究了短期（1 个月）和长期（超过 1 个月）预测。通过 2002 年至 2022 年的遥感和气象数据对 FAPAR 进行建模预测，采用留一年交叉验证方法进行模型评估，并与气候基准模型进行比较。结果表明，在预测一个月后，Transformer 模型优于基准模型，使用前两个月的预测，Transformer 模型的均方根误差值在 0.02 至 0.04 FAPAR 单位之间。总体而言，经过测试的 Transformer 模型是一种在光合有效辐射吸收分数（FAPAR）预测中有效的方法，特别是与气象数据结合，用于短期预测。

Feb, 2024

借助预训练的 Pangu 模型和基于电涡流的时间模块，我们的研究提出了一种电涡流通知变压器方法，能够改善未来天气状况的预测能力并提高输出的空间精度。此外，我们的方法还提供了利用现有基础模型进行多功能下游任务的资源高效途径。

Jan, 2024

利用卫星图像进行场景分析以准确预测台风强度，引入自注意力机制的 “Typhoon Intensity Transformer”（Tint）通过每层具有全局感受野的自注意力操作，提升了局部和全局上下文关系的提取能力，并在公开的台风基准测试中验证了其在深度学习和常规气象方法方面的有效性。

Nov, 2023

本研究提出了一种名为 SkyGPT 的物理学指导下的随机视频预测模型，能够产生多个可能的未来图像，并且通过将其应用于太阳能预测中，能够实现更好的太阳能输出预测可靠性和锐度。

Jun, 2023

提出了一个基于领域自适应深度学习的框架来估计太阳能发电量，该框架利用天气特征来解决太阳能发电预测中的挑战。该方法在计算速度、存储效率和改善预测准确性方面在加利福尼亚（CA）、佛罗里达（FL）和纽约（NY）等地的太阳能发电预测中显示出明显优势。

Jan, 2024