自监督云运动估计器让光伏爬坡预测误差降8-15%，无需外部风数据！
When Does Advection-Aware Graph Nowcasting Help? A Controlled Study of Distributed Solar Ramp Forecasting with a Self-Supervised Cloud-Motion Estimator
📖 AI 总结
本文研究分布式光伏与辐照度传感器网络中云致功率爬坡的短时预测问题，探讨将平流信息引入图神经网络是否真正有效。作者在已知风场的受控合成测试平台上发现，使用真实互相关方法估计的云运动矢量构建显式平流图，并不能优于普通静态或学习邻接矩阵的时空图神经网络；完美云运动矢量带来的收益约有一半仅来自将其作为输入特征，而非图结构本身；平流只有在预报时段内的平流位移落在传感器网络范围内时才有帮助。基于此，作者提出一种自监督云运动估计器，仅用多滞后光流重建目标训练，中位角度误差仅2至4度，比经典互相关方法好2至4倍。冻结该估计器并将矢量输入预测模型，在中等风速下可缩小约60%的与理想云运动矢量的RMSE差距，且无需外部风场数据。作者同时报告了空间相干概率预测头的负面结果，并指出所有结论均基于单一合成模拟器，真实网络验证是必要的下一步。
🔑 关键词速览
| Advection-Aware Graph | 平流感知图：一种图结构，其中节点间的连接和边的时间滞后根据云运动矢量（CMV）设置，以模拟爬坡信号随云移动的传播。 |
| Cloud-Motion Vector (CMV) | 云运动矢量：描述云层移动方向和速度的二维矢量，通常从图像序列中估计，用于预测云致功率爬坡的传播。 |
| Self-Supervised Cloud-Motion Estimator | 自监督云运动估计器：一种无需人工标注、通过自监督学习目标（如光流重建）训练的模型，用于从图像序列中估计云运动矢量。 |
| Graph Neural Network (GNN) | 图神经网络：一种深度学习模型，专门处理图结构数据，通过节点间消息传递学习表示，适用于传感器网络等非欧几里得数据。 |
| Optical-Flow Reconstruction | 光流重建：一种计算机视觉任务，通过估计图像序列中像素的运动来重建场景运动，常用于云运动估计。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅