太阳辐射预报的不确定性是新能源消纳面临的挑战。现有数值天气预报模式通常难以同时满足大范围覆盖、高时空分辨率和可靠不确定性量化等需求，限制了其在区域间光伏协同调度和容量配置等业务场景中的应用。

为解决上述问题，中国科学院大气物理研究所地球系统数值模拟与应用全国重点实验室肖子牛研究员、潘宝祥副研究员团队近期于《npj Artificial Intelligence》推出了生成式深度学习太阳辐照度集合预报模型GenSolar。该模型以天气预报中的大气环流场为核心驱动信息，结合太阳高度角和地形信息，将天气预报信息转化为面向新能源应用的精细化辐射预报产品。

图1. GenSolar模型框架示意图

图2. GenSolar与GFS、U-Net、CGAN的全球辐射单成员预报对比

图3. GenSolar在不同气候区的72小时集合预报实例

该研究表明，生成式人工智能可以作为天气预报向新能源精细化服务延伸的重要技术路径。GenSolar将天气预报系统输出的大尺度大气环流信息转化为高分辨率太阳辐射概率预报，为光伏功率概率预测、区域光伏集群协同调度和气象风险管理提供了新的技术支撑。

该论文第一作者是大气所博士生刘振路，本研究得到国家重点研发计划（GrantNO. 2024YFF0809004）资助。

文章信息：

Zhenlu Liu, Baoxiang Pan, Jie Chao, Jin Xu, Han Du, Jingnan Wang, Weidong Li, Shuojie Gao, Congyi Nai, Yanyan Cheng, Jinman Zhang, Zengbao Zhao, Shuang Zhou and Ziniu Xiao, 2026. Km-scale solar irradiance ensemble forecasting with generative deep learning. npj Artificial Intelligence, https://doi.org/10.1038/s44387-026-00133-y.