✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

光伏发电作为全球可再生能源转型的核心力量，预计到2030年将成为全球最大的可再生能源来源，但云层动态变化导致的太阳辐射波动性，严重影响光伏发电量的稳定性和可预测性，给电网调度与能源管理带来巨大挑战。天空图像作为捕捉云层分布、运动状态及光照条件的核心载体，能够直观反映局部及区域范围内的太阳辐射变化特征，其与机器学习、深度学习等技术的结合，已成为提升光伏发电预测精度的关键路径。本文系统梳理天空图像在光伏发电预测中的应用现状，深入分析核心技术方法、典型研究案例，剖析当前研究面临的瓶颈，并展望未来发展方向，为相关领域的研究与工程应用提供参考与借鉴。

1 引言

1.1 研究背景

全球能源结构向清洁低碳转型进程中，光伏发电凭借清洁、可再生、分布广泛等优势，实现了规模化发展。然而，光伏发电量高度依赖太阳辐射强度，而云层的随机移动、形态变化、厚度差异等因素，会导致太阳辐射出现剧烈波动，进而引发光伏发电量的骤升骤降（即斜坡事件），这种波动性不仅影响光伏电站的自身运营效率，还会对电网的稳定性、供电可靠性造成负面影响，增加电网调度的难度与成本。

传统光伏发电预测方法多依赖气象数据（如温度、湿度、风速）或历史发电数据，存在预测精度有限、对突发云层变化响应滞后等问题。相比之下，天空图像能够实时捕捉云层的空间分布、运动轨迹和形态特征，为精准预测太阳辐射变化、进而提升光伏发电预测精度提供了全新的数据支撑。近年来，随着全天空成像技术、计算机视觉技术和人工智能技术的快速发展，基于天空图像的光伏发电预测研究已成为可再生能源领域的研究热点。

1.2 研究意义

从理论意义来看，本研究能够完善天空图像与光伏发电预测的关联机制，丰富可再生能源预测的理论体系，推动计算机视觉、机器学习与能源工程的跨学科融合，为后续相关研究提供理论基础与技术参考。从实践意义来看，精准的光伏发电预测能够帮助光伏电站优化运行调度、提升发电效率，协助电网部门合理规划电力调度、平衡供需关系，降低弃光率，促进光伏发电与传统能源的协同发展，推动可再生能源的规模化应用。

1.3 研究现状概述

当前，基于天空图像的光伏发电预测研究已从单一数据源应用，发展为多模态数据融合的研究阶段。研究重点集中在天空图像数据源优化、云层特征提取、预测模型构建三个核心环节，形成了物理模型、统计模型、机器学习与深度学习模型等多种预测方法。其中，深度学习模型（如CNN-LSTM、ViT+LSTM）凭借强大的时空特征捕捉能力，在超短期、短期预测中展现出显著优势；同时，多源数据融合（天空图像+气象数据+历史发电数据）已成为提升预测鲁棒性，尤其是多云天气下预测精度的关键方向。此外，斯坦福大学构建的SKIPP’D数据集，为相关研究提供了标准化的基准数据，推动了预测模型的对比与优化。

2 天空图像在光伏发电预测中的基础应用

2.1 天空图像数据源分类及特征

用于光伏发电预测的天空图像主要分为地基云图和卫星云图两类，二者在空间分辨率、观测范围、应用场景上各有优劣，互补性强。

地基云图主要通过全天空成像仪捕捉，能够获取高时空分辨率的云层动态信息，可直接反映光伏电站周边5-10公里范围内的云层遮挡情况，精准捕捉局部云层的形态变化和运动轨迹，是超短期预测（≤60分钟）的核心数据源。但此类图像存在设备安装维护成本高、观测范围有限的局限性，部分研究通过球形天空图像投影技术，结合太阳位置信息与晴空辐照度函数，可有效提升其特征提取精度。

卫星云图依托气象卫星获取，能够提供大范围的云覆盖率（CFR）、云顶高度（CTH）等地表辐照度分布信息，适用于区域级光伏发电预测和中长期预测，但存在空间分辨率较低（通常为公里级）、更新频率不足的问题，定位到具体光伏电站时易产生误差，需通过多源遥感数据融合技术增强输入有效性。

2.2 天空图像与光伏发电的关联机制

光伏发电的核心是将太阳辐射能转化为电能，太阳辐射强度直接决定光伏发电量的大小，而天空图像中的云层信息是影响太阳辐射强度的最关键因素（占比达90%）。云层的厚度、覆盖率、运动速度、形态类型等特征，直接决定了到达光伏组件表面的太阳直射辐射和散射辐射强度：晴空条件下，太阳辐射强度稳定，光伏发电量波动较小；多云或阴天条件下，云层遮挡会导致太阳辐射强度骤降，光伏发电量随之大幅减少；云层快速移动则会引发光伏发电量的突发波动，即斜坡事件。

此外，天空图像还能间接反映大气中的气溶胶、水汽、臭氧等成分的分布，这些成分会通过吸收、散射太阳辐射，进一步影响光伏发电效率。同时，结合太阳位置信息（如太阳高度角、方位角），可通过天空图像精准计算太阳辐射的入射角度，进一步提升光伏发电预测的精度。

2.3 天空图像预处理技术

天空图像原始数据存在噪声、畸变、光照不均等问题，需通过预处理技术提升数据质量，为后续特征提取和模型训练奠定基础。核心预处理步骤包括：

（1）图像去噪：采用高斯滤波、中值滤波等方法，去除图像中的随机噪声和设备干扰，保留云层核心特征；（2）图像校正：针对镜头畸变、光照不均等问题，通过几何校正、灰度归一化等处理，确保图像的准确性和一致性；（3）感兴趣区域（ROI）提取：聚焦天空区域，剔除地面建筑物、树木等无关区域，减少冗余信息，提升处理效率；（4）图像增强：通过直方图均衡化、对比度调整等方法，增强云层与天空背景的对比度，便于后续云层特征提取。部分研究还采用Otsu’s方法（OTSU）生成高精度的云层分布二值图像，进一步提升特征提取的准确性。

3 光伏发电预测的核心技术方法

3.1 传统预测方法

传统光伏发电预测方法主要分为物理模型和统计模型两类，二者均存在一定局限性，难以充分利用天空图像的视觉信息。

物理模型基于太阳辐射传输方程，结合光伏组件参数（如转换效率、安装角度）和气象数据，通过计算太阳辐射到达光伏组件表面的强度，进而预测光伏发电量。该方法的优势是理论基础扎实，适用于中长期预测，但建模过程复杂，对气象数据和组件参数的精度要求较高，抗干扰能力差，难以应对云层突发变化导致的辐射波动。

统计模型依赖历史光伏发电数据和气象数据，通过线性回归、时间序列分析（如ARIMA模型）等方法，挖掘数据之间的统计关联，实现光伏发电量预测。该方法无需复杂的物理建模，计算量较小，但受限于历史数据的质量和数量，对突发云层变化的响应能力弱，预测精度有限，尤其在多云、阴天等复杂天气条件下表现不佳。

3.2 基于机器学习的预测方法

机器学习方法通过挖掘天空图像特征、气象数据与光伏发电量之间的非线性关联，显著提升了预测精度，适用于短期和超短期预测。常用的机器学习算法包括梯度提升决策树（GBDT）、随机森林、支持向量机（SVM）等。

此类方法的核心流程的是：首先提取天空图像中的云层特征（如云层覆盖率、云层厚度、云层运动速度），结合气象数据（如温度、风速、太阳辐射）和历史发电数据，构建特征向量；然后通过机器学习算法训练预测模型，建立特征与光伏发电量之间的映射关系；最后利用训练好的模型进行光伏发电量预测。例如，通过Unet网络分割天空图像，提取云层特征后，结合随机森林模型进行预测，可使预测精度提升11.56%。

机器学习方法的优势是能够处理非线性数据，对局部特征的捕捉能力较强，计算效率较高，但存在特征提取依赖人工设计、难以捕捉云层动态变化的全局特征等问题，在复杂天气条件下的预测鲁棒性有待提升。

3.3 基于深度学习的预测方法

深度学习方法凭借强大的自动特征提取和时空建模能力，成为当前基于天空图像的光伏发电预测研究的主流方向，能够有效解决传统方法和机器学习方法的局限性，尤其适用于超短期预测（≤15分钟）。常用的深度学习模型包括卷积神经网络（CNN）、长短期记忆网络（LSTM）、视觉Transformer（ViT）及其混合模型。

（1）CNN模型：主要用于天空图像的空间特征提取，通过卷积层、池化层自动提取云层的形态、分布、厚度等空间特征，无需人工设计特征，能够有效捕捉云层的局部细节特征，为预测提供精准的空间信息支撑。

（2）LSTM模型：擅长处理时间序列数据，能够捕捉云层运动、太阳辐射变化的时间依赖性，适用于分析连续天空图像序列，预测未来一段时间内的太阳辐射和光伏发电量变化趋势，有效解决了云层动态变化带来的预测难题。

（3）混合模型：结合CNN的空间特征提取能力和LSTM的时间序列建模能力，形成CNN-LSTM、ViT-LSTM等混合架构，成为当前研究的热点。其中，ViT+LSTM模型通过ViT提取天空图像的全局空间特征，结合LSTM捕捉时间动态特征，可有效降低云层运动计算误差，相比基准模型，其均方根误差（RMSE）可降低16.75%；ConvLSTM模型则将CNN的空间建模能力与LSTM的时间建模能力结合，适用于天空图像序列的时空特征联合提取，在Stanford SKIPP’D数据集的15分钟级预测中表现优异。

3.4 多源数据融合预测方法

单一数据源（如仅天空图像或仅气象数据）难以满足不同场景下的预测需求，多源数据融合已成为提升预测精度和鲁棒性的关键方向。当前研究主要采用“天空图像+气象数据+历史发电数据”的融合模式，部分研究还引入雷电定位、大气电场等数据，进一步提升复杂天气下的预测性能。

例如，有研究提出一种混合预测方法，结合天空图像、光伏发电历史数据与气象数据（尤其是地表长波辐射、向下辐射以及风速与太阳位置的组合数据），通过深度学习模型实现短期和长期预测，显著提升了斜坡事件预测的准确性和多云天气下的预测鲁棒性。智信能源的专利框架则整合地基云图、气象数据和晴空辐照度函数，通过球形图像投影和CNN-LSTM网络实现超短期预测，使均方误差降低28%。

4 典型研究案例分析

4.1 案例一：基于ViT+LSTM的超短期预测

西安交通大学研究团队提出一种基于云层特征和ViT+LSTM神经网络的超短期光伏发电预测方法，旨在解决传统神经网络对地基天空图像云层信息提取不足的问题。该方法首先采用OTSU自适应云层识别算法，生成高精度的云层分布二值图像；然后提出一种混合云层运动向量算法，结合相似度加权云层运动方法和Farneback光流法，生成像素级云层位移矩阵；最后将地基天空图像、云层分布图像和云层运动矩阵拼接生成融合图像，通过ViT提取全局空间特征，结合历史光伏发电数据和时间特征，输入LSTM捕捉时间动态特征，实现超短期光伏发电预测。案例验证表明，该方法有效降低了云层运动计算误差，相比基准模型，超短期预测的RMSE降低16.75%，在不同天气条件下均表现出较高的预测精度。

4.2 案例二：Stanford SKIPP’D数据集及基准模型

斯坦福大学环境评估与优化小组构建了SKIPP’D数据集，该数据集包含2017-2019年斯坦福校园的天空图像与光伏发电数据，实现了天空图像与发电数据的精准对齐，为基于天空图像的光伏发电预测研究提供了标准化的基准数据。该数据集支持15分钟级的短期预测，研究者基于该数据集采用ConvLSTM模型处理天空图像序列的时空特征，构建双编码器（图像+LSTM）预测框架，实现了高精度的光伏发电预测。此外，基于该数据集的研究还探索了迁移学习、云检测算法等关键技术，推动了预测模型的标准化对比与优化，相关代码已开源，为后续研究提供了便利。

4.3 案例三：多源数据融合的短期预测

国外研究团队提出一种基于多模态数据融合的短期和长期光伏发电预测方法，结合天空图像、光伏发电历史数据与气象数据，采用深度学习模型实现预测。该方法重点关注地表长波辐射、向下辐射以及风速与太阳位置的组合数据，通过分析这些气象数据与天空图像特征的关联，提升预测模型的鲁棒性。研究结果表明，引入这些气象数据后，无论是超短期还是短期预测，精度均得到显著提升，尤其在多云天气下，预测性能改善更为明显，证明了多源数据融合对提升预测可靠性的重要作用。

5 现存问题与挑战

5.1 数据获取与质量问题

数据是光伏发电预测的基础，当前数据获取与质量面临两大瓶颈：一是数据获取成本高，地基云图依赖昂贵的全天空成像仪，设备安装、维护成本较高，难以在中小型光伏电站广泛应用；卫星云图则存在获取难度大、更新频率不足的问题，难以满足超短期预测的实时性需求。二是数据质量参差不齐，天空图像易受天气（如降雨、大雾）、光照条件影响，出现噪声、畸变等问题；部分区域缺乏连续的历史发电数据和气象数据，导致模型训练数据不足，影响预测精度。此外，天空图像与辐照度、发电数据的时间戳对齐误差，也会降低预测模型的性能。

5.2 模型泛化能力不足

当前大多数预测模型均基于单一光伏电站的数据训练，模型的参数和特征提取方式具有较强的针对性，跨区域、跨场景的泛化能力有限。不同地区的气候条件、云层特征、光伏电站配置存在差异，导致在某一地区表现优异的模型，应用到其他地区时，预测精度会显著下降。此外，模型对极端天气（如强降雨、暴雪、强沙尘暴）的适应性较差，此类天气下云层特征复杂、太阳辐射波动剧烈，现有模型难以精准捕捉相关特征，预测误差较大。

5.3 特征提取与建模难题

云层的动态变化具有随机性、复杂性，准确提取云层特征并建立其与光伏发电量的关联模型，仍是当前研究的难点。一方面，传统特征提取方法易丢失云层的关键属性，深度学习方法虽能自动提取特征，但存在可解释性差的问题，难以明确哪些云层特征对预测结果的影响最大；另一方面，云层运动的非线性、非匀速特性，导致难以精准预测云层未来的运动轨迹和形态变化，进而影响光伏发电量的预测精度。此外，光伏组件的板面温度与环境温度存在差异，现有模型多采用环境温度数据，难以准确反映组件实际发电效率，进一步增加了建模难度。

5.4 实时性与工程化应用差距

超短期光伏发电预测（如5-15分钟）对实时性要求较高，需要快速处理天空图像、输出预测结果，为电网调度和电站运行提供及时支撑。但当前部分深度学习模型结构复杂、计算量较大，难以满足实时预测需求；同时，基于天空图像的预测技术多停留在实验室研究阶段，缺乏成熟的工程化应用方案，与实际光伏电站的运行管理需求结合不够紧密，难以实现规模化推广。

6 未来研究方向

6.1 多模态数据融合与创新数据源挖掘

未来将进一步拓展多源数据融合的范围，除传统的天空图像、气象数据、历史发电数据外，引入雷电定位、大气电场、气溶胶浓度等数据，结合物理模型（如McClear清晰天空模型），构建物理-数据联合驱动的预测框架，提升复杂天气下的预测鲁棒性。同时，探索低成本、高精度的天空图像获取技术，降低设备安装维护成本，推动其在中小型光伏电站的广泛应用；优化数据预处理技术，解决时间戳对齐误差、数据缺失等问题，提升数据质量。

6.2 提升模型泛化能力与可解释性

采用迁移学习、联邦学习等技术，利用多区域、多场景的数据集训练模型，提升模型的跨区域泛化能力，减少对单一电站数据的依赖；结合注意力机制、可解释性深度学习方法，明确云层特征与光伏发电量之间的关联关系，提升模型的可解释性，便于工程应用中的参数调整与优化。此外，针对极端天气场景，构建专门的预测子模型，提升模型对极端天气的适应性。

6.3 优化特征提取与时空建模技术

探索更高效的云层特征提取方法，结合Unet、ViT等模型，精准提取云层的形态、厚度、运动速度等特征，结合光流法、质心移动算法等，提升云层运动轨迹的预测精度；优化时空混合模型结构，结合Transformer的全局建模能力与LSTM的时间序列处理能力，提升模型对云层动态变化的捕捉能力；引入生成式AI技术（如Sky GPT），通过生成未来天空图像，进一步提升光伏发电预测的精度和可靠性。

6.4 推动实时化与工程化应用

优化模型结构，采用轻量化深度学习模型，降低计算量，提升预测实时性；结合5G传输技术和边缘计算，实现高清天空图像的实时传输与快速处理，构建云端协同的分钟级预测系统，满足电网调度和电站运行的实时需求。同时，加强与光伏电站、电网企业的合作，将预测技术与实际运营管理深度结合，开发成熟的工程化应用产品，推动技术的规模化推广；建立标准化的预测评价体系，为不同预测模型的对比与优化提供依据。

7 结论

天空图像作为捕捉云层动态和太阳辐射变化的核心载体，与光伏发电预测的结合，为解决光伏发电量波动性预测难题提供了有效路径。当前，基于天空图像的光伏发电预测研究已取得显著进展，形成了从数据预处理、特征提取到模型构建的完整技术体系，尤其是深度学习模型和多源数据融合方法的应用，大幅提升了预测精度和鲁棒性。但同时，该领域仍面临数据获取成本高、模型泛化能力不足、实时性有待提升、工程化应用滞后等问题。

未来，随着计算机视觉、人工智能、通信技术的持续发展，基于天空图像的光伏发电预测研究将朝着多模态融合、高精度、高泛化、实时化、工程化的方向发展。通过挖掘创新数据源、优化模型结构、提升工程化水平，将进一步提升光伏发电预测的精度和可靠性，为光伏电站优化运行、电网精准调度提供有力支撑，推动可再生能源的规模化、高质量发展。

⛳️ 运行结果

🔗 参考文献

[1] 曾万昕.基于D-S证据理论的光伏并网发电量预测研究[D].北京建筑大学,2018.

[2] 李莎.太阳能电池板智能故障诊断系统的研究与开发[D].太原理工大学[2026-03-25].

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇