基于机器学习的直接法向辐照度（DNI）预测：用于具备热能储存（TES）的聚光太阳能（CSP）电站的卫星数据方法

为何预判日照时段至关重要

随着越来越多的国家转向太阳能为家庭和工业供电，一个关键问题浮现：当天空瞬息万变时，如何确保电力持续供应？聚光太阳能电站通过反光镜聚焦阳光并储存热量，可以在夜间继续发电。但要高效且经济地运行，运营者必须提前知道太阳照度的强弱。本文展示了如何利用免费气象卫星数据和现代机器学习，提供切合实际且经济的日照预测，以满足这些新一代太阳能电站的需求。

将太空影像转化为有用的日照预报

研究者聚焦于一个关键量——直接法向辐照度（DNI），即沿直线传播并可被反光镜聚焦的那部分太阳辐射。与普通光伏不同，聚光电站几乎完全依赖DNI，而DNI对云、空气中水汽与颗粒高度敏感。研究团队没有在每个场址安装昂贵的地面摄像头和仪器，而是使用地球同步的日照卫星Himawari-8，每十分钟监测亚洲大部分地区。从这些影像及其衍生产品中，他们收集了17个变量，包括不同的日照量度、云型、水汽、温度以及太阳角度，并将其输入到机器学习模型，以预测未来30分钟至6小时内的DNI。

从天空学习的智能算法

为了找出最佳预报工具，作者测试了24种不同的机器学习方法，并比较其精度、速度与计算代价。他们发现一种称为Ensemble Bagging Regression的技术在超短期预报中表现优异，尤其是在30分钟预报时，能够捕捉到近期变化的细节。对于更长的预测时段，一种指数高斯过程回归模型表现突出。该模型不仅能预测未来DNI，还能给出内置的不确定性度量，这对规划很有价值。在最长达6小时的预报期内，最佳模型维持了强劲表现，其误差小到可以被聚光电站热能储存系统的自然缓冲能力吸收。

解读天气的隐含信号

除了精度，团队还希望弄清楚哪些因素驱动模型预测。他们使用一种可解释的人工智能技术——SHAP，将每个输入变量对预测的贡献进行分配，有点像把账单公平地分摊给晚餐的每位客人。该分析表明，太阳的天空角度与云相关属性在多个时间尺度上是最具影响力的因素。无云情景下的日照量度（即如果没有云时的辐照）也占重要地位，此外温度和短时滞的DNI历史值在短期预测中同样重要。湿气、臭氧和相对湿度往往会减少预期日照，尤其在潮湿的夏季，而晚冬和早春的晴朗干燥条件则会提升日照。这些洞见让运营者放心：模型是在响应物理上合理的信号，而非数据中的隐性怪异性。

从平原到山谷的适用性

一个重要考验是：在一地训练的模型能否在别处可信地使用。作者在印度Bhagalpur的一个场址训练系统，然后将其应用到南亚的另外五个地点，地形从低洼平原到喜马拉雅山麓。在地势较平坦的地区，如Jhansi和Kharagpur，预报依然高度可靠，误差稳定且没有明显的系统性高估或低估。相反，位于更崎岖或地形复杂地点（如喜马拉雅的Makalu站）的准确性和偏差在某些时滞上波动更大。这些模式表明，当地地形和独特的天气行为（例如山地周围的快速云生成）会对纯卫星驱动的模型构成挑战，可能需要额外的本地化调整。

对未来太阳能发电的意义

对于配备热储存的聚光太阳能电站的运营者来说，这项研究传达了一个务实的信息：他们可能不需要最昂贵、超高精度的预报硬件就能有效运行电站。得益于热能储存提供的天然平滑作用，具有中等误差的卫星基模型仍能支持对未来数小时发电计划的可靠规划。依靠免费且覆盖面广的卫星数据以及可解释的机器学习，这种方法为在日照充足地区（尤其是南亚）降低成本、降低太阳能电价提供了可扩展的路径。通过进一步改进以考虑山地、气溶胶和局地天气模式，此类预报系统有望成为更加可靠的太阳能电网的支柱技术。

引用: Rathnayake, N., Wijewardane, S. Machine learning-based Direct Normal Irradiance (DNI) forecasting using satellite data for Concentrated Solar Power (CSP) plants with Thermal Energy Storage (TES). Sci Rep 16, 11257 (2026). https://doi.org/10.1038/s41598-026-41733-7

关键词: 太阳能预报, 聚光太阳能, 卫星数据, 机器学习, 热能储存