基于衛(wèi)星遙感的輻照度時空關(guān)聯(lián)映射與預(yù)測建模

摘 要：常規(guī)光伏電站僅能依賴局地地表氣象觀測信息進行輻照度預(yù)測，難以挖掘電站周邊廣域光伏資源的時空關(guān)聯(lián)特性，限制了光伏電站輻照度以及發(fā)電功率的預(yù)測精度。針對上述問題，該文提出基于衛(wèi)星遙感的光伏電站廣域輻照度空間分布映射方法，并建立基于圖卷積網(wǎng)絡(luò)（GCN）的地表輻照度超短期時空關(guān)聯(lián)預(yù)測模型，在充分利用多通道衛(wèi)星數(shù)據(jù)的同時，考慮時空關(guān)聯(lián)特性提高地表輻照度超短期預(yù)測精度。通過某光伏場站實例仿真分析，驗證地表輻照度反演模型的可行性以及在此基礎(chǔ)上所構(gòu)建的輻照度時空關(guān)聯(lián)預(yù)測模型的先進性。

關(guān)鍵詞：衛(wèi)星；特征選擇；輻照度；反演；圖卷積神經(jīng)網(wǎng)絡(luò)；地表輻照度超短期預(yù)測

中圖分類號：TM615 文獻標志碼：A

0 引 言

地表輻照度是研究太陽能資源評估、計劃和應(yīng)用不可或缺的數(shù)據(jù)［1-3］，尤其是對光伏電站的選址、功率預(yù)測具有重要意義［4-5］。地表輻照度作為影響光伏發(fā)電功率的主要因素［6-9］，其準確預(yù)測是提高光伏功率預(yù)測精度的關(guān)鍵。

近年來，圖神經(jīng)網(wǎng)絡(luò)在新能源預(yù)測方面得到廣泛應(yīng)用［10-13］。然而，多數(shù)基于圖卷積網(wǎng)絡(luò)的輻照度預(yù)測是以場站集群為研究對象，考慮空間相關(guān)性以單場站預(yù)測為對象的研究較少，因此，本文以單場站地表輻照度為研究對象，考慮時空關(guān)聯(lián)特性建立基于圖卷積神經(jīng)網(wǎng)絡(luò)（graph convolutional network，GCN）的地表輻照度預(yù)測模型。該模型的關(guān)鍵是獲取目標場站近鄰位置虛擬場站的地表輻照度。

利用衛(wèi)星遙感數(shù)據(jù)可反演目標場站周邊地區(qū)各類氣象參數(shù)［14-17］，但現(xiàn)有基于衛(wèi)星遙感反演地表輻照度的方法存在易造成誤差累積［18］與物理建模參數(shù)復(fù)雜［19］等問題，其時間分辨率不滿足預(yù)測要求而無法直接應(yīng)用于輻照度和光伏功率預(yù)測。

針對以上問題，本文提出利用風(fēng)云衛(wèi)星遙感多通道數(shù)據(jù)映射地表輻照度分布的方法，并根據(jù)輻照度空間分布建立地表輻照度的超短期時空關(guān)聯(lián)預(yù)測模型。通過某光伏場站的實測數(shù)據(jù)仿真分析，驗證輻照度映射模型正確性、可行性及時空關(guān)聯(lián)預(yù)測模型的優(yōu)越性。

1 基于特征選擇的地表輻照度反演模型

1.1 地表輻照度反演技術(shù)路線設(shè)計

由于不同天氣情況下，地表輻照度的波動模式不同，很難用一種模型精確擬合輻照度的變化趨勢。因此，本文利用晴空指數(shù)將不同日期的輻照度按照曲線波動情況分為晴空、多云、陰雨模式；然后利用多種特征重要性分析法選擇通道數(shù)據(jù)，建立不同天氣模式下的梯度提升回歸（gradient boosting regression，GBR）模型［20-21］，反演地表輻照度。具體流程如圖1所示。

1.2 天氣模式劃分

為更好地分析不同天氣情況下衛(wèi)星數(shù)據(jù)與地表輻照度的關(guān)系，本文利用K-均值聚類方法將天氣狀態(tài)按照晴空指數(shù)特征劃分為晴空、多云和陰雨模式［22］。具體步驟如下：

1）首先計算每小時的地外太陽輻照度，然后得到每天24個點晴空指數(shù)。對于夜間（18：00—次日05：00）晴空指數(shù)不為0的情形，直接將晴空指數(shù)置為0；對于連續(xù)整個日間（05：00—18：00）晴空指數(shù)大于1的情形，刪除該天的實測數(shù)據(jù)，對于日間出現(xiàn)個別時段晴空指數(shù)大于1的情形，利用前后時刻數(shù)據(jù)采用線性插值法獲得的數(shù)據(jù)替換此時段的數(shù)據(jù)。

2）計算晴空指數(shù)統(tǒng)計特征：最大值、最小值（除0外）、平均值、晴空指數(shù)差的方差和三階導(dǎo)數(shù)，采用K-均值方法按照晴空指數(shù)特征將天氣模式劃分成3類，分別命名為晴空、多云和陰雨模式［23］。

為展示天氣模式劃分效果，繪制不同天氣模式下日地表輻照度變化曲線，如圖2所示?？煽闯霰疚牟捎玫奶鞖饽Ｊ絼澐址椒軈^(qū)分輻照度的變化規(guī)律，可以為后續(xù)的研究提供有效數(shù)據(jù)。

1.3 特征選擇

本文利用風(fēng)云4號A星（FY-4A）遙感數(shù)據(jù)作為模型輸入特征反演地表輻照度。FY-4A衛(wèi)星掃描成像輻射計主要承擔獲取云圖的任務(wù)，共14個通道。通道1～3采集可見光與近紅外數(shù)據(jù)，主要用于植被和氣溶膠測量；通道4～6采集短波紅外數(shù)據(jù)，主要用于卷云、低云、氣溶膠粒子大小的識別；通道7～8采集中波紅外數(shù)據(jù)，用于反照率目標監(jiān)測；通道9～10采集水汽數(shù)據(jù)；用于高中層水汽監(jiān)測；通道11～14采集長波紅外數(shù)據(jù)；用于云、地表溫度監(jiān)測。14個通道監(jiān)測的氣溶膠、云、反照率和地表溫度均影響著地表輻照度大小，而各通道監(jiān)測的對象又有重疊。因此，為減少反演模型輸入特征的冗余，提高反演模型精度，本文綜合利用皮爾遜相關(guān)性分析法、XGBoost特征重要性分析法和排列重要性分析法進行特征選擇得到反演模型的輸入特征。

1.3.1 皮爾遜相關(guān)性分析

皮爾遜相關(guān)系數(shù)可以用來度量2組數(shù)據(jù)[X、Y]之間的線性相關(guān)性［24］，計算式如下：

[ρX，Y=cov（X，Y）σXσY " =E（XY）-E（X）E（Y）E（X2）-E（X）2E（Y2）-E（Y）2] （1）

式中：[cov（X，Y）]——[X]和[Y]的協(xié)方差；[σX]、[σY]——[X]和[Y]的標準差；[ρX，Y]的數(shù)值越接近于1，表示[X]和[Y]的相關(guān)性越強。

本文采用皮爾遜相關(guān)系數(shù)計算不同衛(wèi)星通道數(shù)據(jù)與地表輻照度的相關(guān)性，結(jié)果如圖3所示，其中SR表示實測地表輻照度，CH表示通道。從圖3可看出同一天氣下各通道數(shù)據(jù)與地表輻照度的相關(guān)性系數(shù)大小各不相同，不同天氣條件下同一通道數(shù)據(jù)與地表輻照度的相關(guān)性系數(shù)大小也不同。通道1～5和通道14在3種天氣下均呈現(xiàn)正相關(guān)性，而其他通道數(shù)據(jù)在不同的天氣類型下，呈現(xiàn)的相關(guān)性有正有負。此方法只能分辨出各通道數(shù)據(jù)與地表輻照度的線性相關(guān)性，而無法分析各通道數(shù)據(jù)與地表輻照度的非線性關(guān)系。

1.3.2 XGBoost特征重要性分析

XGBoost是基于樹的Boosting算法，其本質(zhì)是用弱分類器加權(quán)疊加形成強分類器的方法來降低誤差得到更加可靠的分類結(jié)果［25］。同時，XGBoost算法可根據(jù)特征分裂次數(shù)[Fscore]、特征平均增益[Gave]和特征平均覆蓋率[Cave]這3種重要性度量指標來評價特征的重要性。重要性得分越高，表明該特征對計算結(jié)果的貢獻度越大。

3種指標的表達式分別為：

[Fscore=X] （2）

[Gave=GxFscore] （3）

[Cave=CxFscore] （4）

式中：[X]——所有樹用于產(chǎn)生節(jié)點時使用的特征集合；[Gx]——每棵樹用[X]中特征分割時產(chǎn)生的增益值；[Cx]——樹用[X]中的特征分割時落在每個節(jié)點的樣本數(shù)量［26］。

從各通道數(shù)據(jù)對地表輻照度計算的貢獻角度分析各通道的重要性，有助于通道數(shù)據(jù)的選擇，避免特征冗余，造成計算精度的降低。利用此方法計算特征重要性結(jié)果如圖4所示，圖中橫坐標表示特征重要性得分，縱坐標表示各通道數(shù)據(jù)。從圖4可看出，不同天氣下各通道對地表輻照度的重要性不同，通道3、4、6的重要性在3種天氣下的重要性程度都比較高。該結(jié)果也與皮爾遜相關(guān)系數(shù)分析的結(jié)果相符，但又有細微差異。因此用此方法選擇特征的同時，要考慮皮爾遜相關(guān)系數(shù)較高的通道數(shù)據(jù)對地表輻照度的影響。

1.3.3 排列重要性分析

為了消除噪音變量對XGBoost特征重要性分析方法帶來的影響，本文同時利用排列重要性分析（Permutation importance）方法進行特征重要性分析。該方法的本質(zhì)是計算某個特征重要性時，不改變其他變量，打亂該特征的順序，然后利用該數(shù)據(jù)進行預(yù)測，最后計算打亂順序前后模型正確率的變化情況，根據(jù)正確率變化大小對特征的重要性進行排序。若某特征對預(yù)測模型重要，打亂該特征順序前后預(yù)測模型的正確率變化幅度較大，若無影響，則說明該特征對模型的重要性低［27］。

基于排列重要性分析的結(jié)果如圖5所示，橫坐標表示模型預(yù)測精度變化情況，該數(shù)值絕對值越大，表明對應(yīng)特征在輻照度計算中的重要性程度越高。從圖5可看出，基于排列重要性的特征重要性分析結(jié)果與圖4的結(jié)果有相同也有細微差異。因此，可利用該方法補充XGBoost特征重要性分析方法。

綜上所述，各種分析方法各有優(yōu)劣，因此，本文綜合皮爾遜相關(guān)性系數(shù)、XGBoost特征重要性分析和排列重要性分析方法的結(jié)果，選擇反演模型輸入特征。選擇原則為相關(guān)系數(shù)大于0.5，特征重要性程度高的通道數(shù)據(jù)作為模型輸入特征。

1.4 地表輻照度反演模型實現(xiàn)

地表輻照度反演模型的實現(xiàn)主要包括基于主成分分析的特征提取、基于[K]最近鄰算法（K-nearest neighbor， KNN）的天氣模式判別和輻照度反演3個部分。

地表輻照度反演模型實現(xiàn)的具體步驟如圖6所示。

1）利用主成分分析法提取歷史[t-3，][t-2，][t-1，][t]時間段的衛(wèi)星數(shù)據(jù)和對應(yīng)時間段的衛(wèi)星數(shù)據(jù)的特征。

2）基于步驟1）得到的特征數(shù)據(jù)，利用KNN方法判別天氣模式，即晴空、多云或陰雨。

3）根據(jù)步驟2）得到的天氣模式選擇對應(yīng)的反演模型和模型輸入特征，計算[t]時刻的地表輻照度。

2 基于GCN的地表輻照度預(yù)測模型

2.1 基于GCN的地表輻照度超短期預(yù)測

地表輻照度預(yù)測是一個典型的時間序列預(yù)測問題。設(shè)[Xt=[x1，t，x2，t，…，xN，t]]表示[N]個光伏場站在[t]時刻的地表輻照度時間序列，其中[xi，t=[xi，t-m+1，xi，t-m+2，…，xi，t]]，表示場站i在[t]時刻的[m]維特征向量。由[N]個光伏場站節(jié)點構(gòu)成圖[G={V， E}]，其中，[V]表示圖的節(jié)點，即[N]個光伏場站；[E]表示節(jié)點的邊的連接。鄰接矩陣[A=Ai，j， i，j∈N]，[Ai，j]表示節(jié)點[i]和節(jié)點[j]的連接關(guān)系。因此，基于[m]個歷史數(shù)據(jù)的地表輻照度超短期預(yù)測可表示為：

[Xt-m+1，Xt-m+2，…，Xt，G→Xt+1] （5）

式中：[Xt+1]——[N]個光伏場站節(jié)點在[t+1]時刻的地表輻照度。

本文是以單場站地表輻照度超短期預(yù)測為研究對象，因此從預(yù)測結(jié)果的圖網(wǎng)絡(luò)中提取目標場站對應(yīng)節(jié)點的特征，即可得到目標場站地表輻照度超短期預(yù)測數(shù)據(jù)。

2.2 圖G的構(gòu)建

創(chuàng)建圖[G]需要確定3個參數(shù)：[N]個光伏場站節(jié)點、鄰接矩陣[A]和節(jié)點特征向量[F]。

本文構(gòu)建的圖[G]的頂點是由一個目標光伏場站和[N-1]個虛擬光伏場站構(gòu)成。[N-1]個虛擬場站的生成規(guī)則是由目標場站向上下左右依次外擴，最終形成一個由衛(wèi)星數(shù)據(jù)所在的行列號組成一個圖。

鄰接矩陣[A]由[N]個場站的輻照度時間序列的相關(guān)性系數(shù)大小確定，計算式如下：

[Aij=corr（vi，" vj）， corr（vi，" vj）gt;τ0，corr（vi，" vj）lt;τ] （6）

式中：[corr（i， j）]——相關(guān)性系數(shù)；[τ]——選取的閾值。

節(jié)點[i]在[t]時刻的特征向量[F]可表示為：

[F=xi，t-3，xi，t-2，xi，t-1，xi，t] （7）

式中：[xi，t]——場站[i]在[t]時刻的地表輻照度，除目標場站地表輻照度測量得到外，其余虛擬場站地表輻照度由地表輻照度反演模型獲得。

2.3 圖卷積神經(jīng)

GCN與卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）都是為了提取空間特征，進行卷積操作，其核心思想是中心節(jié)點對其鄰域節(jié)點進行信息聚合［28］。圖[G]的結(jié)構(gòu)信息由圖的拉普拉斯矩陣[L]表示，其定義如下：

[L=D-A] （8）

或者使用對稱歸一化后的拉普拉斯矩陣：

[Lsys=IN-D-12AD-12] （9）

式中；[IN]——[N]階單位矩陣；[D]——節(jié)點的度矩陣。

圖的卷積是由傅里葉變換實現(xiàn)的，一階鄰域信息由每一層的卷積操作進行處理，多階鄰域的信息的傳遞由多個卷積層的疊加實現(xiàn)。

圖卷積分層傳播公式可表示為：

[X（l+1）=σD-12AD-12X（l）W（l）] （10）

式中：[A=A+IN]；[D=A]；[σ]——激活函數(shù)；[W（l）]——第[l]層的權(quán)重矩陣。

3 算例分析

3.1 數(shù)據(jù)來源

本文以位于北緯43°28′54.61″，東經(jīng)112°9′20.50″位置的某光伏場站2020年1月—2021年6月共18個月的輻照度數(shù)據(jù)為算例樣本。實測輻照度存在部分數(shù)據(jù)大于地外太陽輻照度理論值現(xiàn)象，本文刪除該類數(shù)據(jù)，這種情況出現(xiàn)比例小于10%。由于該地區(qū)在2020年中晴空天數(shù)占52.8%；多云天數(shù)占38.5%；陰雨天數(shù)占8.7%。因此本文根據(jù)不同天氣模式分析衛(wèi)星數(shù)據(jù)與地表輻照度的關(guān)系。該場站附近未安裝輻照度監(jiān)測設(shè)備，無法獲取周圍地區(qū)的地表輻照度數(shù)據(jù)，而衛(wèi)星網(wǎng)站上反演的輻照度產(chǎn)品的時間分辨率為1 h，無法滿足預(yù)測需求。因此，本文從風(fēng)云數(shù)據(jù)網(wǎng)下載衛(wèi)星FY-4A的中國區(qū)同時間段的14個通道衛(wèi)星數(shù)據(jù)反演目標場站和虛擬場站的地表輻照度。由于FY-4A衛(wèi)星數(shù)據(jù)與實測地表輻照度的時間分辨率不一致，因此需對衛(wèi)星數(shù)據(jù)進行處理。本文首先將衛(wèi)星數(shù)據(jù)線性插值成1 min分辨率的數(shù)據(jù)，然后下采樣處理成與實測輻照度一致的15 min分辨率的衛(wèi)星數(shù)據(jù)。最后按照實測輻照度的分類結(jié)果劃分衛(wèi)星數(shù)據(jù)，為地表輻照度反演提供數(shù)據(jù)支撐。

為驗證所提出地表輻照度反演模型的可行性和地表輻照度超短期預(yù)測模型的優(yōu)越性，本文以2020年1—12月份的數(shù)據(jù)為訓(xùn)練集，2021年1—6月份數(shù)據(jù)為測試集，設(shè)置2個算例進行仿真分析。算例1：利用目標場站對應(yīng)的衛(wèi)星多通道數(shù)據(jù)反演該場站的地表輻照度，并與該場站實測的地表輻照度進行對比。算例2：利用虛擬場站對應(yīng)的衛(wèi)星通道數(shù)據(jù)反演虛擬場站的地表輻照度，并利用虛擬場站反演的地表輻照度和目標場站實測的地表輻照度數(shù)據(jù)建立GCN模型預(yù)測目標場站下一時刻的地表輻照度。實驗中，為客觀評價模型的精度，對每種天氣類型進行多天精度測試，其中晴空102 d，多云49 d，陰雨30 d，分別計算每天的誤差，并將誤差的平均值作為最終結(jié)果。

為了定量分析，本文分別利用平均絕對誤差（MAE）、均方差（RMSE）和R2共3種指標進行評價。

[eRMSE=1ndi=1nd1Mi=1M（yi-yi）2] （11）

[eMAE=1ndi=1nd1Mi=1Myi-yi] （12）

[R2=1ndi=1nd1-i=1M（yi-yi）2i=1M（yi-yi）2] （13）

式中：[nd]——天數(shù)；[M]—— 一天的時間點數(shù)；[yi]——實測值；[yi]——計算值。

3.2 地表輻照度反演仿真分析

為驗證本文所提地表輻照度反演方案的可行性與優(yōu)越性，同時設(shè)置幾組實驗作對比，具體實驗設(shè)計如表1所示。

圖7分別展示了不同天氣情況下利用不同特征選擇方法反演地表輻照度的結(jié)果與實際值的對比情況。整體分析，無論是晴空、多云還是陰雨天氣，本文所提方法反演的地表輻照度與實際值擬合效果最好。從不同天氣情況來看，所有方法在晴空下擬合的效果最好，陰雨天氣次之，多云天氣最差。不同天氣情況下，擬合效果居于第二位的分別是M2、M1和M3方法，說明除本文所提方法，其他3種方法在不同天氣下的擬合效果各不相同，由此表明本文所提方法具有較強的適應(yīng)性。

不同天氣情況下，基于不同特征選擇方法的地表輻照度反演誤差計算結(jié)果如表2所示。從表2中可看出，本文所提地表輻照度反演方案分別以[R2]最大值為0.99、0.85、0.80；MAE最小值為26.77、64.72、40.35 W/m2；RMSE最小值為46.67、130.91和88.86 W/m2勝出（見加粗字體）。在3種不同天氣情況下，本文所提地表輻照度反演方法與擬合效果次之的方案相比，在[R2]指標上分別提高1.02%、3.67%和5.26%；在MAE指標上分別提高14.06%、11.87%和8.83%；在RMSE指標上分別提高14.49%、8.73%和6.85%。由此表明，本文所提的地表輻照度反演方案在3種指標衡量下，均有較好的精度，驗證了本文所提地表輻照度反演方案的優(yōu)越性。

3.3 地表輻照度超短期預(yù)測仿真分析

本文利用地表輻照度反演模型反演目標場站近鄰位置的地表輻照度，并聯(lián)合目標場站地表輻照度建立了節(jié)點數(shù)[N=39]，節(jié)點特征維度[D=4]的GCN模型，以[t-3，][t-2，][t-1，][t]時刻的歷史輻照度數(shù)據(jù)預(yù)測目標場站[t+1]時刻的地表輻照度。為驗證利用衛(wèi)星反演虛擬場站地表輻照度數(shù)據(jù)預(yù)測目標場站的地表輻照度比單一利用目標場站的地表輻照度進行預(yù)測的優(yōu)越性，本文利用目標場站[t-3，t-2，t-1，t]時刻的歷史地表輻照度數(shù)據(jù)，分別采用反向（back propagation， BP）神經(jīng)網(wǎng)絡(luò)、CNN、長短時記憶神經(jīng)網(wǎng)絡(luò)（long short-term memory， LSTM）、卷積-長短時記憶網(wǎng)絡(luò)（CNN-LSTM）方法進行地表輻照度超短期預(yù)測。

本文中圖卷積神經(jīng)網(wǎng)絡(luò)的具體實現(xiàn)過程如圖8所示。輸入變量為目標場站[T]和近鄰場站[n]在[t-3，t-2，t-1，t]時刻的地表輻照度[I（t-3），I（t-2），I（t-1），I（t）]；輸出為目標場站[T]在[t+1]時刻的地表輻照度[I（t+1）T]。

圖9分別展示了在不同天氣下各種方法的地表輻照度預(yù)測值與實際值的對比曲線，為了更好地展示不同方法的擬合度，對局部圖像進行放大。總體來看，不論是晴空、多云或是陰雨，本文提出的GCN模型的預(yù)測曲線與實測值曲線的誤差最小，擬合度最高。在晴空天氣下，LSTM方法擬合度次之，BP方法擬合度最差；在多云天氣下，LSTM方法擬合度次之，CNN-LSTM方法的擬合效果最差；在陰雨天氣下，CNN-LSTM擬合度次之，BP方法擬合度最差。由此說明本文所提GCN預(yù)測模型較其他預(yù)測模型更具有普遍適應(yīng)性。驗證了利用衛(wèi)星反演地表輻照度數(shù)據(jù)預(yù)測目標場站的地表輻照度，可有效提高預(yù)測精度。

表3展示了多天預(yù)測誤差指標的平均值，可看出，本文所提基于GCN的地表輻照度預(yù)測方法以[R2]值最大為0.99、0.98和0.97；MAE值最小為17.40、20.78、20.10 W/m2；RMSE值最小為31.19、38.03和37.92 W/m2勝出。由此看出，GCN由于能有效集成近鄰場站的地表輻照度，可有效提高預(yù)測精度。從不同天氣角度分析，在晴空和多云天氣下，本文提出的GCN方法預(yù)測精度比擬合度次之的LSTM方法在MAE誤差指標下分別提高14.58%和18.83%；在RMSE誤差指標下分別提高13.05%和21.12%。在陰雨天氣下，本文提出的GCN方法預(yù)測精度比擬合度次之的CNN-LSTM方法在MAE和RMSE誤差指標下分別提高8.89%和5.20%。表明本文所提的GCN預(yù)測模型無論在何種天氣下，MAE和RMSE誤差指標上均可提高5%以上。由以上結(jié)果表明將反演近鄰場站輻照度應(yīng)用于目標場站地表輻照度預(yù)測可顯著提高地表輻照度超短期預(yù)測精度，同時也間接驗證了地表輻照度反演模型的正確性。

4 結(jié) 論

地表輻照度受太陽位置和云層移動的影響，具有顯著的時空關(guān)聯(lián)特性，然而常規(guī)光伏電站僅能對局地氣象要素（輻照度、溫度、風(fēng)速等）進行觀測，無法獲取電站周邊廣域地區(qū)的實時高分辨率地表輻照度分布信息，難以進行對區(qū)域輻照度時空關(guān)聯(lián)特性的挖掘以實現(xiàn)精準的地表輻照度超短期預(yù)測。因此，本文提出基于衛(wèi)星遙感的光伏電站廣域輻照度空間分布反演與時空關(guān)聯(lián)預(yù)測建模方法。實例分析可得到如下主要結(jié)論：

1）組合皮爾遜相關(guān)系數(shù)法、XGBoost特征重要性分析法和排列重要性分析法進行通道數(shù)據(jù)選擇，建立衛(wèi)星多通道數(shù)據(jù)與地表輻照度的反演模型，減少了模型輸入特征維度，地表輻照度反演精度提高5%以上。

2）利用地表輻照度反演模型反演的目標場站近鄰位置的地表輻照度應(yīng)用于目標場站地表輻照度的超短期預(yù)測有助于提高預(yù)測精度，表明本文所提地表輻照度反演方案具有實際應(yīng)用價值。

［參考文獻］

［1］ ALMOROX J， VOYANT C， BAILEK N， et al. Total solar irradiance’s effect on the performance of empirical models for estimating global solar radiation： an empirical-based review［J］. Energy， 2021， 236： 121486.

［2］ NOURANI V， SHARGHI E， BEHFAR N， et al. Multi-step-ahead solar irradiance modeling employing multi-frequency" "deep" "learning" models" and" climatic" data［J］. Applied energy， 2022， 315： 119069.

［3］ 孟丹， 陳正洪， 孫朋杰， 等. 復(fù)雜山區(qū)氣象站潛在太陽能資源參量估算方法及應(yīng)用［J］. 水電能源科學(xué)， 2022， 40（6）： 211-214.

MENG D， CHEN Z H， SUN P J， et al. Estimation method of potential solar energy resources parameters of meteorological stations in complex mountainous areas and its application［J］. Water resources and power， 2022， 40（6）： 211-214.

［4］ WANG F， LU X X， MEI S W， et al. A satellite image data based ultra-short-term solar PV power forecasting method considering cloud information from neighboring plant［J］. Energy， 2022， 238： 121946.

［5］ WANG F， XUAN Z M， ZHEN Z， et al. A minutely solar irradiance forecasting method based on real-time sky image-irradiance mapping model［J］. Energy conversion and management， 2020， 220： 113075.

［6］ 米增強， 王飛， 楊光， 等. 光伏電站輻照度ANN預(yù)測及其兩維變尺度修正方法［J］. 太陽能學(xué)報， 2013， 34（2）： 251-259.

MI Z Q， WANG F， YANG G， et al. ANN based irradiance forecast of photovoltaic power plant and two dimensions variable scale modification method for the forecast value［J］. Acta energiae solaris sinica， 2013， 34（2）： 251-259.

［7］ 劉曉艷， 王玨， 姚鐵錘， 等. 基于衛(wèi)星遙感的超短期分布式光伏功率預(yù)測［J］. 電工技術(shù)學(xué)報， 2022， 37（7）： 1800-1809.

LIU X Y， WANG J， YAO T C， et al. Ultra short-term distributed photovoltaic power prediction based on satellite remote sensing［J］. Transactions of China Electrotechnical Society， 2022， 37（7）： 1800-1809.

［8］ 程禮臨， 臧海祥， 衛(wèi)志農(nóng)， 等. 考慮多光譜衛(wèi)星遙感的區(qū)域級超短期光伏功率預(yù)測［J］. 中國電機工程學(xué)報， 2022， 42（20）： 7451-7465.

CHENG L L， ZANG H X， WEI Z N， et al. Ultra-short-term forecasting of regional photovoltaic power generation considering multispectral satellite remote sensing data［J］. Proceedings of the CSEE， 2022， 42（20）： 7451-7465.

［9］ WANG F， ZHANG Z Y， LIU C， et al. Generative adversarial networks and convolutional neural networks based weather classification model for day ahead short-term photovoltaic power forecasting［J］. Energy conversion and management， 2019， 181： 443-462.

［10］ KHODAYAR M， MOHAMMADI S， KHODAYAR M E， et al. Convolutional graph autoencoder： a generative deep neural" network" "for" "probabilistic" "spatio-temporal" "solar irradiance forecasting［J］. IEEE transactions on sustainable energy， 2020， 11（2）： 571-583.

［11］ GENG X L， XU L Y， HE X Y， et al. Graph optimization neural network with spatio-temporal correlation learning for" "multi-node" "offshore" "wind" "speed" "forecasting［J］. Renewable energy， 2021， 180： 1014-1025.

［12］ CHENG L L， ZANG H X， DING T， et al. Multi-meteorological-factor-based graph modeling for photovoltaic power forecasting［J］. IEEE transactions on sustainable energy， 2021， 12（3）： 1593-1603.

［13］ GAO Y， MIYATA S， AKASHI Y. Interpretable deep learning models for hourly solar radiation prediction based on graph neural network and attention［J］. Applied energy， 2022， 321： 119288.

［14］ 趙文杰， 李洪平， 劉海行. SMAP衛(wèi)星的RBF神經(jīng)網(wǎng)絡(luò)海表鹽度遙感反演［J］. 海洋科學(xué)進展， 2022， 40（3）： 513-522.

ZHAO W J， LI H P， LIU H X. Remote sensing retrieval of sea surface salinity based on RBF neural network from SMAP satellite［J］. Advances in marine science， 2022， 40（3）： 513-522.

［15］ 姚一飛， 王爽， 張珺銳， 等. 基于GF-1衛(wèi)星遙感的河套灌區(qū)土壤含水率反演模型研究［J］. 農(nóng)業(yè)機械學(xué)報， 2022， 53（9）： 239-251.

YAO Y F， WANG S， ZHANG J R， et al. Inversion model of soil moisture in Hetao irrigation district based on GF-1 satellite remote sensing［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（9）： 239-251.

［16］ 馮小兵， 曾宇懷， 吳澤鵬， 等. 基于衛(wèi)星多光譜的廣東亞熱帶森林FMC遙感反演［J］. 電子科技大學(xué)學(xué)報， 2022， 51（3）： 432-437.

FENG X B， ZENG Y H， WU Z P， et al. Remote sensing retrieval of FMC in subtropical forests of Guangdong based on satellite multispectral data［J］. Journal of University of Electronic Science and Technology of China， 2022， 51（3）： 432-437.

［17］ 劉喆， 趙威倫， 田曉青， 等. 利用葵花8號衛(wèi)星資料反演中國東部地區(qū)地面PM2.5濃度［J］. 北京大學(xué)學(xué)報（自然科學(xué)版）， 2022， 58（3）： 443-452.

LIU Z， ZHAO W L， TIAN X Q， et al. Retrieval of ground PM2.5 concentrations in Eastern China using data from himawari-8" "satellite［J］." "Acta" "scientiarum" "naturalium universitatis pekinensis， 2022， 58（3）： 443-452.

［18］ 劉科學(xué). 基于環(huán)境衛(wèi)星數(shù)據(jù)的黑河地區(qū)地表溫度和凈輻射反演研究［D］. 廣州： 華南農(nóng)業(yè)大學(xué)， 2017.

LIU K X. Land surface temperature and net radiation retrieval" in" Heihe" River" from" HJ" satellite" data［D］. Guangzhou： South China Agricultural University， 2017.

［19］ 梁師. 基于MODIS/Aqua數(shù)據(jù)反演地表短波凈輻射［D］. 北京： 中國地質(zhì)大學(xué)（北京）， 2012.

LIANG S. Estimate of net surface shortwave radiation from MODIS" "data" "in" "aqua" " satellite［D］." Beijing：" "China University of Geosciences， 2012.

［20］ 曲文龍， 陳笑屹， 李一漪， 等. 一種深度梯度提升回歸預(yù)測模型［J］. 計算機應(yīng)用與軟件， 2020， 37（9）： 194-201.

QU W L， CHEN X Y， LI Y Y， et al. A regression prediction model of depth gradient boosting［J］. Computer applications and software， 2020， 37（9）： 194-201.

［21］ SU Y， LI N， YANG H， et al. A feature importance analysis based solar irradiance mapping model using multi-channel satellite remote sensing data［C］//2022 IEEE/IAS 58th Industrial and Commercial Power Systems Technical Conference （Iamp;CPS）. Las Vegas， NV， USA， 2022： 1-9.

［22］ 單存博. 基于數(shù)據(jù)挖掘的太陽輻射預(yù)測方法研究［D］. 北京： 華北電力大學(xué)， 2021.

SHAN C B. Research on solar radiation forecasting method based on data mining［D］. Beijing： North China Electric Power University， 2021.

［23］ 王飛， 米增強， 甄釗， 等. 基于天氣狀態(tài)模式識別的光伏電站發(fā)電功率分類預(yù)測方法［J］. 中國電機工程學(xué)報， 2013， 33（34）： 75-82， 14.

WANG F， MI Z Q， ZHEN Z， et al. A classified forecasting approach of power generation for photovoltaic plants based on weather condition pattern recognition［J］. Proceedings of the CSEE， 2013， 33（34）： 75-82， 14.

［24］ 紀德洋， 金鋒， 冬雷， 等. 基于皮爾遜相關(guān)系數(shù)的光伏電站數(shù)據(jù)修復(fù)［J］. 中國電機工程學(xué)報， 2022， 42（4）： 1514-1523.

JI D Y， JIN F， DONG L， et al. Data repairing of photovoltaic power plant based on Pearson correlation coefficient［J］. Proceedings of the CSEE， 2022， 42（4）： 1514-1523.

［25］ 張愛武， 董喆， 康孝巖. 基于XGBoost的機載激光雷達與高光譜影像結(jié)合的特征選擇算法［J］. 中國激光， 2019， 46（4）： 150-158.

ZHANG A W， DONG Z， KANG X Y. Feature selection algorithms of airborne LiDAR combined with hyperspectral images based on XGBoost［J］. Chinese journal of lasers， 2019， 46（4）： 150-158.

［26］ 王麗， 王濤， 肖巍， 等. XGBoost啟發(fā)的雙向特征選擇算法［J］. 吉林大學(xué)學(xué)報（理學(xué)版）， 2021， 59（3）： 627-634.

WANG L， WANG T， XIAO W， et al. Bidirectional feature" selection" algorithm" inspired" by" XGBoost［J］. Journal of Jilin University （science edition）， 2021， 59（3）： 627-634.

［27］ ALDRICH C. Process variable importance analysis by use of random forests in a shapley regression framework［J］. Minerals， 2020， 10（5）： 420.

［28］ 劉菡， 王英男， 李新利， 等. 基于互信息-圖卷積神經(jīng)網(wǎng)絡(luò)的燃煤電站NOx排放預(yù)測［J］. 中國電機工程學(xué)報， 2022， 42（3）： 1052-1060.

LIU H， WANG Y N， LI X L， et al. Prediction of NOx emissions" "of" "coal-fired" "power" plants" based" on" mutual information-graph" " "convolutional" " "neural" " "network［J］. Proceedings of the CSEE， 2022， 42（3）： 1052-1060.

SPATIOTEMPORAL CORRELATION MAPPING AND PREDICTION MODELING OF IRRADIANCE BASED ON SATELLITE REMOTE SENSING

Wang Fei1，Li Na1，2，Su Ying3，Sun Yong3，Yang Heng3，Zhen Zhao1

（1. Department of Electrical Engineering， North China Electric Power University， Baoding 071003， China；

2. Department of Automation， Taiyuan Institute of Technology， Taiyuan 030008， China；

3. Institute of Science and Technology， China Three Gorges Corporation， Beijing 100074， China）

Abstract：Conventional PV power stations can only rely on local surface meteorological observation information for irradiance forecasting， and it is difficult to tap the spatio-temporal correlation characteristics of wide area photovoltaic resources around the power station for these kinds of stations， which limits the forecasting accuracy of irradiance and PV power. To solve the above problems， this paper proposes a mapping method for the spatial distribution of wide area irradiance around PV power station based on satellite remote sensing， and establishes an ultra-short-term spatio-temporal correlation forecasting model for surface irradiance based on graph convolutional network （GCN）. The method makes full use of multi-channel satellite data and considers the spatio-temporal correlation characteristics to improve the ultra-short-term prediction accuracy of surface irradiance. The feasibility of the inversion model of surface irradiance is verified through the simulation analysis of a photovoltaic station， and the progressiveness of the corresponding spatial-temporal correlation prediction model is also proved.

Keywords：satellite； feature selection； solar irradiance； inversion； GCN； ultra-short-term forecasting of surface irradiance