用于离网系统可靠太阳辐照度预测的物理信息状态空间模型

论文信息

标题: Physics-Informed State Space Models for Reliable Solar Irradiance Forecasting in Off-Grid Systems

作者: Mohammed Ezzaldin Babiker Abdullah

发布日期: 2026-04-13

arXiv ID: 2604.11807v1

PDF 链接: 下载 PDF

3 分钟速览

• 研究问题：这篇论文要解决在资源受限的离网微控制器上，实现既计算高效又严格遵循物理规律的太阳辐照度预测，以保障半干旱地区光伏灌溉系统的可靠运行。
• 核心方法：作者提出物理信息状态空间模型，放弃传统的复杂深度网络，转而采用汉克尔矩阵嵌入进行动态状态构建、线性状态空间模型进行高效时序建模，并独创物理信息门控机制，将太阳天顶角等天文变量作为硬约束直接作用于网络输出。
• 关键结果：该模型仅用不到 4 万个可训练参数，在苏丹恩图曼的五年独立压力测试中，预测的决定系数（R²）达到 98.7%，均方根误差为 20.45 Wh/m²，并彻底消除了夜间非零辐照度的物理违规预测。
• 主要局限：作者坦言，当前架构仅针对单步预测设计，尚未扩展到多步或概率预测，且模型的空间相关性分析能力有待加强，以应对极端气象波动。
• 适合读者：对边缘计算、物理信息深度学习、新能源预测、时间序列分析以及可持续农业自动化感兴趣的工程技术人员和研究人员。

论文背景和研究动机

在全球向可持续农业转型的浪潮中，离网光伏灌溉系统在半干旱地区扮演着日益重要的角色。然而，这类系统完全依赖太阳能，其抽水作业和电池储能的调度可靠性，直接受制于太阳辐照度的波动。因此，精准的太阳辐照度预测成为微电网的运营基石，驱动着预测性控制机制，以优化能源管理，防止系统崩溃。

然而，在苏丹恩图曼这类资源受限的半干旱地区，预测面临着双重挑战。首先，大气状态高度随机，由不稳定的云层动态、气溶胶光学厚度和频繁的强沙尘暴驱动，使得传统统计模型难以精确追踪。其次，尽管深度学习模型，如卷积神经网络、循环神经网络特别是长短期记忆网络已成为提取气象数据时空特征的主流方法，但它们存在根本性缺陷。循环神经网络面临顺序处理瓶颈、长序列梯度消失和内存开销过大的问题。而近年来兴起的 Transformer 架构，虽依赖自注意力机制，却完全无视了支配大气动力学的显式物理定律，像一个纯粹的黑箱计算重要性得分，常生成物理上不可能的预测，例如夜间非零辐照度。此外，这些模型对计算资源的巨大需求，使其完全不适合部署在边缘微控制器上。物理信息神经网络通过在损失函数中嵌入微分方程来惩罚物理违反，但带来了巨大计算成本，且无法在实时推理中保证严格的物理边界。

正是在这一 “计算效率与物理准确性” 的鸿沟之上，本文提出了 PISSM 架构，旨在为边缘部署的微控制器提供一个既精确又轻量，且绝对遵循物理规律的新型预测范式。

核心方法和技术细节

PISSM 的核心思想是摒弃 “复杂度优先” 的传统范式，转而采用显式的结构性约束。其方法流程主要包括四个阶段，构成了一个严谨的工程化流水线（见论文图 1）。

数据采集与循环编码 论文使用了 NASA POWER 数据库提供的苏丹恩图曼多年小时级气象数据。输入特征不仅包括全球水平辐照度、温度、湿度等 15 个变量，更关键的是进行了循环时间编码。通过正弦和余弦变换，将小时、天、月等时间变量映射到二维坐标系，消除了传统编码中 23:00 与 00:00 之间的数值断层，让模型得以学习连续、平滑的自然周期性。

物理引导的特征工程 这是 PISSM 实现物理一致性的基础。作者没有让网络从海量数据中隐式学习天文规律，而是采用 “知识注入” 策略，显式计算了两个确定性的物理变量。一是太阳天顶角，通过太阳赤纬角、当地纬度和太阳时角精确计算得出，它决定了太阳光穿过大气层的光学路径长度。二是晴空指数，通过实测辐照度与理论晴空辐照度的比值计算出，作为一个动态云层滤波器，反映大气的瞬时透明度。这些物理变量在后续流程中被明确路由到门控机制，作为硬约束，而非简单拼接。

动态状态构建与处理核心 相比于处理扁平序列，PISSM 采用汉克尔矩阵嵌入来构建动态状态空间。对于一个 24 小时的输入序列，应用大小为 5、步长为 1 的滑动子窗口，展开为 20 个重叠的子序列。通过维度排列和特征展平，最终构造出一个维度为 (20, 75) 的张量。这一操作将线性序列重构为高维动态状态，保留了时序的反对角流，有助于分离潜在气候轨迹与随机噪声。随后，这个状态张量经过一个轻量化的一维卷积神经网络层，提取局部的短期天气波动特征。

线性状态空间模型 这是 PISSM 的计算核心，用以替代计算量庞大的循环神经网络和 Transformer。该模型将时间动态视为连续微分方程，并将其映射到离散时间步，如论文中公式(9)-(13)所示。这一机制使得模型可以并行处理，具备数学上稳健的长程记忆能力，能有效连接清晨大气状态与傍晚趋势，而不会出现梯度退化或巨大的内存开销。

物理信息门控机制 这是 PISSM 最关键的技术发明。从线性状态空间模型输出的时序特征，并非直接进入回归层，而是到达一个门控机制（见论文图 5）。之前独立计算出的太阳天顶角和晴空指数，分别通过线性层和 Sigmoid 激活函数，生成范围在 0 到 1 之间的控制信号。这两个物理门控信号与状态空间模型输出进行哈达玛积运算。这相当于在数学结构上强制网络输出遵循日循环：太阳在地下时信号被完全扼杀为 0；大气透明度低时信号被动态减弱。

最后，特征经过全连接层合成最终预测值，并通过一个终端线性整流函数激活层，作为最后的硬边界，将所有负值预测裁剪为零，确保最终输出在物理上绝对真实。整个 PISSM 架构仅包含39,745个可训练参数，极为紧凑。

创新点和贡献

论文的贡献是集成式的，但各有侧重，共同构成了一个面向边缘计算的完整解决方案。

首先，物理信息门控机制的创新性应用是最大亮点。它从根本上区别于物理信息神经网络在损失函数中 “软惩罚” 物理违规的方法，转而采用对模型内部表征进行 “硬遏制” 的结构化门控。这确保了在推理阶段，预测值能够严格遵循天文周期和大气极限，从根本上杜绝了夜间非零辐照度这类物理上荒谬的预测。

其次，汉克尔矩阵与线性状态空间模型的结合为轻量化时序建模开辟了新路径。汉克尔矩阵嵌入作为一种结构化的滤波和状态构建工具，有效地将原始噪声数据转化为适合状态空间模型处理的动态轨迹。而后，线性状态空间模型凭借其并行处理能力和长程记忆效率，成功取代了传统上笨重且物理盲目的循环神经网络和 Transformer 架构。

最后，极致的工程优化使理论得以走向现实。整个模型在不到 4 万参数、约 155 KB 内存占用的条件下，实现了超越复杂模型的性能。这使得 PISSM 完全可以在低成本、低功耗的边缘微控制器上实时运行，无需任何云计算支持，这对部署在偏远地区的自主灌溉系统而言，是决定性的实用优势。

实验结果分析

论文通过一项严格的跨年度压力测试验证了 PISSM 的有效性。模型使用 2010-2015 年的数据训练，然后在完全独立的 2020-2024 年数据集上进行测试，以验证其是否学到了普适的物理规律，而非简单的统计模式。

量化对比与稳定性 在与文献中前沿模型的基准对比中（见论文图 6），PISSM 表现出色。更为重要的是其长期稳定性。如图 7 所示，在五年测试期内，模型的 R²始终保持在 98.4% 以上，均方根误差和平均绝对误差等指标保持水平稳定，证明其具有优越的泛化能力，并未随测试年份远离训练数据分布而发生性能衰退。

物理一致性与预测保真度 可视化的预测轨迹（见论文图 8）揭示了三大关键优势。在晴朗天气下，预测曲线与实测数据近乎完美重叠，这得益于物理门控对太阳几何边界的精确约束。在剧烈波动的多云天气，汉克尔嵌入和状态空间模型的组合成功捕捉到每小时超过 300 W/m²的极速辐照度变化，预测峰值与太阳正午完美同步，没有出现基线模型中常见的时间滞后。最为关键的是，模型彻底消灭了夜间的预测噪声，绝对钳制在零值，确保了灌溉泵不会因地虚假信号而误启动，这是自主控制系统至关重要的安全保障。

计算效率与学习稳定性 在硬件部署可行性分析中，论文指出 PISSM 约 2.1 毫秒的单步推理时间和 155 KB 内存占用，使其能舒适地运行在 ESP32 等廉价微控制器上。相比之下，标准 Transformer 架构需要超过 4.8 MB 内存，必须依赖云服务。训练收敛曲线（见论文图 9）则显示模型在 60 个周期内即平稳达到全局最小值，训练和验证损失曲线紧密耦合，未见明显过拟合，证明了所设计的 L2 正则化和 Dropout 策略的有效性。

实践建议

PISSM 的工程落地场景极为明确，即资源受限的离网微电网系统，但其设计思路可被广泛借鉴。

对于边缘预测系统的开发者，应优先考虑物理知识的结构化集成，而非单纯堆叠模型复杂度。可以借鉴 PISSM 的做法，将领域内确定的物理变量（如太阳位置、气象节律等）明确计算出来，用作网络的输入门控或输出调制信号。这是一种计算成本极低但能显著提升预测可靠性的策略，尤其适用于数据稀缺或噪声大的工业场景。

在模型选型上，对于需要长程依赖的时序任务，可以考虑线性状态空间模型作为循环神经网络和 Transformer 的高效替代。其并行训练和稳定长程记忆的特性，使其在处理高频传感器数据流时比长短期记忆网络更高效、比 Transformer 更轻量。配合汉克尔矩阵等结构化嵌入技术，能够进一步提升信噪分离和时序特征提取的效果。

在系统部署层面，该论文为硬件选型提供了参考基准。一个不到 4 万参数的模型足以在超低功耗微控制器上实现高精度物理模拟。这鼓励工程师将更多复杂算法从云端下沉至终端设备，从而实现真正的实时、自主、离线控制，这对电力供应不稳定或网络不可靠的偏远地区应用至关重要。在进行类似项目开发时，应从一开始就将内存占用、推理延迟和物理合规性作为与预测精度同等重要的优化目标。