研究背景:
随着全球能源结构向清洁、可持续能源转型，太阳能已成为其中的关键组成部分。特别是光伏发电，作为一种直接且成本效益日益提高的能源利用方式，对于减少温室气体排放和增强能源安全至关重要。然而，太阳辐射固有的间歇性受到动态大气条件的严重影响，给光伏发电并入电网的可靠性带来了巨大挑战。因此，准确的短期太阳辐射预报对于优化电网调度、提升系统稳定性以及最大化光伏能源利用率至关重要。
目前，基于卫星遥感数据和深度学习技术的预报方法已成为主流。但这些先进方法在预测时间延长时会遇到瓶颈，其预测结果普遍存在空间纹理退化和辐射强度失真的问题。这些缺陷显著降低了预测的精度和可靠性，难以满足高精度应用场景的需求，亟需能够提升预测结果清晰度、准确性和整体保真度的先进技术。
亮点 Highlights:
文章提出了一种名为GAN-Solar的框架，它基于生成对抗网络（GANs），专门用于对短期太阳辐射预报结果进行后处理和质量优化。
该框架旨在专门解决现有预测模型中常见的空间纹理细节模糊和辐射强度值失真两大问题，从而生成更清晰、更准确的太阳辐射图。
GAN-Solar采用了一个增强的ED-AttUNet模型作为其生成器，并设计了一个包含残差结构和渐进式下采样的专用判别器，通过对抗性训练过程指导预报结果向更高质量和更高真实性优化。
在真实的夏季太阳辐射数据上的实验证明，与基准ED-AttUNet模型相比，GAN-Solar将均方根误差（Root Mean Square Error）降低了约3.2%，并将结构相似性指数（Structural Similarity Index）从0.84提升至0.87，显著改善了预报质量。
文章解读:
文章从现有深度学习预报模型普遍存在的空间纹理退化和强度失真问题入手，提出了一种基于生成对抗网络（GANs）的质量优化模型GAN-Solar。作者首先详细阐述了GAN-Solar的整体架构，它由一个生成器和一个判别器组成，两者通过对抗性学习过程进行优化。
其中，生成器复用了ED-AttUNet模型，并通过引入额外的条件信息C来对初步的、模糊的预报进行精细化调整，以实现更具针对性和上下文感知的预报优化。
判别器的设计是本文的另一项创新，它不仅仅是一个简单的分类器，更是一个可学习的目标函数，为生成器提供丰富的梯度反馈。该判别器采用了残差网络结构以解决深度模型训练中的退化问题，并结合了渐进式下采样架构和多尺度设计，从而在有效提取时空特征的同时，扩大了感受野并优化了计算效率。
为平衡对抗性学习和物理约束，文章还设计了一个混合损失函数，该函数融合了对抗性损失、均方误差（MSE）和平均绝对误差（MAE）。最后，文章通过一系列详尽的实验对模型性能进行了验证。实验数据源自风云四号A星的真实卫星观测产品。通过与ConvLSTM、PhyDNet和PredRNN等多个基准模型的对比，结果表明GAN-Solar在MSE、RMSE和SSIM等多项关键评估指标上均表现出最优性能，证明了其在提升短期太阳辐射预报质量方面的先进性和有效性。
作者简介:
陈超: 现于南京信息工程大学软件学院攻读硕士学位，研究领域主要集中在气象相关模型技术和边缘计算。
刘鑫: 现任职于中国气象局公共气象服务中心，并服务于风能太阳能中心及能源气象重点实验室，长期从事气象服务技术研究。
赵士众: 2025年于南京信息工程大学获得硕士学位。
Muhammad Bilal:目前任职于兰卡斯特大学，担任副教授。本人在IEEE IoT Journal, IEEE Systems Journal, IEEE Transactions on Industrial Informatics, IEEE Transactions on Intelligent Transportation Systems, IEEE Transactions on Vehicular Technology以及IEEE Transactions on Network Science and Engineering等国际知名期刊/会议上发表了170余篇论文。
基金支持:
这项工作得到了国家自然科学基金（No. 62372242和No. 92267104）和江苏省前沿引领技术基础研究重大专项（No. BK20232032）的部分支持。
文献链接：
Chen C, Liu X, Zhao S, et al. GAN-based solar radiation forecast optimization for satellite communication networks[J]. International Journal of Intelligent Networks, Volume 6, Pages 89-96, 2025. https://doi.org/10.1016/j.ijin.2025.07.004.
期刊介绍：
International Journal of Intelligent Networks (IJIN) 是一本聚焦计算机网络最新挑战和发展的开放获取型(OA)国际期刊。期刊旨在通过介绍与智能网络相关的研究成果，提高对网络实际问题的认识与理解，并提供最佳的解决方案，为网络这一重要领域的研究和技术发展提出新的方向。
期刊主要刊发智能通信相关技术、可持续性和社会通信相关研究领域的原创研究论文、综述论文、技术报告、案例研究和评论文章等。
目前，期刊已被DOAJ、EBSCOhost、Ei Compendex、Scopus等数据库收录，CiteScore2024 19.8。
期刊覆盖领域包括但不限于：
信号处理架构、算法和应用
图像计算与数据科学技术
智能传感器和代理网络
信息、计算和通信系统中的绿色技术
可持续能源的智能计算
通信网络架构和安全
生物信息学和网络计算
无线通信和网络协议
网络运营与管理
智能和信息系统
网络编码理论与算法
智能车载通信与技术
领域的未来前景
期刊收录的所有文章都经过严格的同行评审，并发表在月活用户超过1800万的ScienceDirect平台，供领域内的学者、及全球读者免费阅读、下载及引用。
转载本文请联系原作者获取授权，同时请注明本文来自科爱KeAi科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3496796-1506981.html?mobile=1
收藏
