近年来，全球光伏装机呈爆发式增长，未来能源结构转型已成为必然趋势。然而，太阳能资源的不稳定性为光伏并网带来安全隐患。开展光伏发电功率预报是解决这一问题的重要手段。受复杂天气的影响，光伏超短期预测精度一直偏低，成为行业痛点。且随着电力市场化交易实行以及分布式光伏项目增多，单点及区域级光伏超短期预测越发受到重视。提高0-4h短临太阳辐射预报精度有助于提升光伏超短期预测准确率，进而助力构建以新能源为主体的新型电力系统。
      考虑到云与太阳辐射的高度相关性，现有基于外推的预测方法在捕捉云的发展和生消方面存在困难。基于此，本研究利用MSG-4卫星，以荷兰为研究对象，开展三类基于地球静止卫星的区域级0-4h太阳辐射预测技术研究，预测时间分辨率为15分钟。首先，采用基于物理外推的方法作为基准方法开展预测。利用光流法通过获取过去1h四张卫星反演太阳辐射图像的变化趋势，预测未来4h的太阳辐射。为了提高像素级太阳辐射值的预测准确性，采用高斯模糊策略对预测图像进行模糊处理；其次，首次将DGMR大模型应用在太阳辐射预测领域，并证明了预测结果的有效性。该模型于2021年由谷歌DeepMind团队提出，最初被应用于雷达降水预测。再次，构建了基于UNet深度学习模型和智能持续法的太阳辐射图像预测模型。最后，分别基于荷兰的气象站点和卫星观测数据，针对所研究方法，对代表不同季节的四个典型月及不同时间尺度的太阳辐射预测结果开展对比验证。
      本研究证明了以上研究方法在不同场景下的适用性以及优缺点。未来将利用我国新一代静止卫星FY-4B开展相关研究及业务应用。
 

太阳辐射预报,深度学习,光伏发电,UNet,光流法