《Renewable Energy》：VISTA: A spatial forecast verification method for solar irradiance using thin-plate spline deformation
编辑推荐：
张晓明|史洪荣|杨大志|黄春林|张浩|傅迪松|陈云|李志民|沈彦波|夏向傲哈尔滨工业大学电气工程与自动化学院，中国黑龙江省哈尔滨市摘要太阳辐照度预测的验证几乎总是依赖于地面辐射测量站的测量数据，而这些测量站的分布既稀疏又不均匀，从而限制了对高分辨率网格化预测的空间误差特性的理解。
张晓明|史洪荣|杨大志|黄春林|张浩|傅迪松|陈云|李志民|沈彦波|夏向傲
哈尔滨工业大学电气工程与自动化学院，中国黑龙江省哈尔滨市
摘要
太阳辐照度预测的验证几乎总是依赖于地面辐射测量站的测量数据，而这些测量站的分布既稀疏又不均匀，从而限制了对高分辨率网格化预测的空间误差特性的理解。为了解决这个问题，本研究引入了VISTA（通过薄板对齐验证辐照度空间场）方法，该方法利用一对薄板样条将预测场与观测场对齐。VISTA是一个两步过程：（1）首先使用Shi–Tomasi角点检测方法识别一组控制点；（2）然后根据这些控制点进行变形处理，并施加相应的惩罚。设计了一种综合性能指标来量化位移、幅度和结构误差，从而能够系统地对不同的预测方法进行性能排名。实证部分围绕使用风云-4A卫星获取的辐照度数据发布的几组即时预报（即0-4小时内的预报）展开。然而，VISTA方法具有通用性，也可以应用于其他感兴趣的空间预测领域。
引言
随着全球太阳能光伏（PV）安装量的不断增加，这种可变且间歇性的能源的并网利用受到了广泛关注，预测现在被视为实现太阳能并网利用的重要第一步[1]。由于光伏发电严重依赖于气象条件，因此辐照度预测成为光伏功率预测的关键基础。预测方法根据预测时间范围而有所不同，包括数值天气预测（0-72小时）、基于卫星的平流预测（0-4小时）和天空成像技术预测（0-15分钟），这些方法分别对应于不同的电力系统运营需求，如日前机组调度、日内经济调度和实时调节[2]。因此，大量研究工作致力于太阳能预测[3]、[4]。最近的太阳能预测进展涵盖了基础预测生成、后处理、辐照度到功率的转换、验证框架以及并网价值评估等方面。本研究重点关注预测验证，这可能是五类研究工作中最被忽视的方面。
太阳能预测可以是确定性的，也可以是概率性的，相应的验证框架已在相关文献中有所记载[5]。确定性预测通过一致性、质量和价值来评估[6]，而概率性预测则旨在在校准过程中最大化预测的准确性[7]。这些框架的一个主要局限性是它们仅限于基于单站点预测-观测对点的验证。太阳辐照度本质上是时空相关的，因此需要能够量化观测场和预测场之间相似性的验证方法。例如，图1展示了一些典型的空间误差，包括平移、旋转和缩放等，这些误差可能导致基于点位置的评估结果缺乏信息量，但可以通过空间验证方法来捕捉。不幸的是，尽管气象预测领域有许多空间验证框架，但它们很少应用于太阳辐照度预测的验证，张等人的工作是一个显著的例外[8]。
缺乏太阳辐照度空间预测研究的一个原因可能是“观测”到的辐照度场本身存在很大的不确定性。与可以通过天气雷达准确观测到的降水不同，辐照度场仅来自卫星反演或数值建模。后者通常由于参数化的子网格过程而不可靠[9]，许多研究表明，模型预测的辐照度误差比卫星反演的误差要大得多[10]。因此，如果用于验证的辐照度场来自地球静止卫星，则更为合适。最新一代地球静止卫星传感器和反演算法的进步[11]、[12]显著提高了辐照度反演的准确性，其准确性与地面观测结果相差无几，非常适合用于网格化辐照度预测。对于基于卫星的预测，卫星反演的辐照度也可以作为评估预测质量的参考，但需要注意的是，反演误差通常比预测误差小。
根据Gilleland等人的研究[13]、[14]，空间预测验证方法可以分为四类：邻域方法、尺度分离方法、基于特征的方法和场变形方法。前两种是基于过滤的方法，而后两种方法用于量化空间位移误差。每种方法的优缺点在表1中进行了总结。最近，张等人[8]应用邻域方法使用CAMS-Rad作为参考，评估了ERA5和MERRA-2的辐照度产品，结果表明基于点位置的验证可能会高估预测能力。然而，邻域方法和尺度分离方法主要评估不同空间尺度上的预测能力，在识别位移和结构误差方面效果较差，如图1所示。因此，在本研究中探索了基于位移的验证方法。在两种基于位移的方法中，基于特征的方法被认为更适合具有明确空间边界的（分类）天气变量，如云和降水。相比之下，辐照度是一个更复杂的变量，因为晴天和阴天的辐照度值可能由于漫射光成分的结合而相似[15]。因此，本研究探讨了将基于变形的验证方法应用于太阳辐照度预测。
变形方法的原理是通过空间操作预测场以更好地匹配观测场[13]。各种变形方法在两个方面有所不同：（1）空间操作的技术，即如何变形场；（2）变形能量的度量，即变形的强度。在大多数情况下，空间操作是通过光流来实现的，光流可以捕捉连续两帧之间的运动向量。因此，平均运动向量被用作变形能量的度量——向量越大，变形越强，预测效果越差[16]。然而，光流在这里不适用，因为它也常用于生成基于卫星的辐照度预测，这可能会在验证过程中人为地偏爱使用相似算法生成的预测结果。因此，本文考虑了另一种空间操作方法，即薄板样条（TPS）变形，该方法也已应用于气象预测[17]。不过，TPS变形需要一组控制点，而在空间预测验证的情况下这些控制点是未知的。Gilleland等人的工作[17]采用手动选择控制点的方法，这种方法不仅主观性较强，而且不具备可扩展性。在这方面，本研究考虑了两种自动选择控制点的方法：Shi–Tomasi（ST）角点检测和alpha hull方法。
除了方法创新之外，本研究的另一个亮点是使用了来自风云-4A（FY-4A）卫星上的先进地球同步辐射成像仪（AGRI）获取的辐照度数据。具体来说，辐照度反演采用了半经验的Heliosat-2模型[18]，该模型的参数是根据感兴趣的区域气候条件进行校准的。据我们所知，关于FY-4A卫星预测的文献还很少，仅有少数初步尝试[19]。本研究结合多种即时预测方法和基于变形的空间验证框架，进行了全面的案例分析。整个工作流程（图2）包括四个部分：基于卫星的辐照度反演、辐照度即时预测、基于ST-TPS的空间验证以及验证结果的统计分析。补充信息中还提供了额外的分析，包括关键参数的敏感性分析、统计显著性分析和跨区域验证。
章节片段
方法
本节分为四个部分。第一部分描述了基于FY-4A卫星观测数据和云运动外推的全球水平辐照度（GHI）反演及0-4小时即时预测方法。第二和第三部分分别介绍了TPS变形框架和控制点选择策略。最后一部分介绍了用于评估预测性能的空间验证指标。
数据和预处理
本节简要介绍了本研究中使用的数据集，以及选择研究区域、时间覆盖范围和卫星产品的理由。此外，还详细阐述了建模过程中实施的所有数据预处理步骤。
结果与讨论
本节展示了三组结果。首先，使用XIA观测数据对五种方法的0-4小时GHI预测进行了基于点位置的验证。其次，分析了ST-TPS变形和DAS指标的物理可解释性。第三，将ST-TPS框架应用于0-4小时GHI预测的空间验证，并检查了相应的误差特征。
结论
鉴于将基于点位置的预测验证方法应用于太阳辐照度场的局限性，本研究提出了一种基于变形的空间验证框架。将预测场映射到观测场的过程分为两个步骤。首先，对预测场和观测场应用Shi–Tomasi角点检测方法，以获取匹配的控制点。接下来，基于这些控制点，使用薄板样条（TPS）进行映射
CRediT作者贡献声明
张晓明：撰写——原始草稿、验证、软件、资源、方法论、调查、形式分析、概念化。史洪荣：撰写——审稿与编辑、监督、资源、方法论、数据管理。杨大志：撰写——审稿与编辑、监督、项目管理、方法论、资金获取、形式分析。黄春林：撰写——审稿与编辑、方法论、调查、数据管理。张浩：撰写——审稿与编辑、验证
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本研究得到了国家自然科学基金[42375192, 52406230]、智能电网国家科技重大专项[2026ZD0810303]以及黑龙江省自然科学基金[LH2024E041]的支持。
