GIRASOL

GIRASOL数据集由新墨西哥大学电气与计算机工程系创建，旨在通过天空成像和全球太阳辐照度测量预测太阳能微电网的能源输出。数据集包含红外和可见光图像、太阳辐照度测量及太阳位置信息，总计约119GB。通过安装在太阳能跟踪器上的相机和辐射计收集数据，数据集应用于太阳能预测和智能电网管理，以解决短期太阳能辐照度预测问题。The GIRASOL dataset was created by the Department of Electrical and Computer Engineering at the University of New Mexico, aiming to predict the energy output of solar microgrids through sky imaging and global solar irradiance measurements. The dataset contains infrared and visible light images, solar irradiance measurements, and solar position information, with a total size of approximately 119 GB. Data was collected using cameras and radiometers mounted on solar trackers. This dataset is applied to solar energy forecasting and smart grid management to address the problem of short-term solar irradiance forecasting.

搜集汇总

数据集介绍

构建方式

GIRASOL数据集由一套名为Girasol Machine的数据采集系统生成，该系统集成了一台长波红外相机与一台配备鱼眼镜头的可见光相机，两者均安装于太阳跟踪器上，确保太阳始终位于图像中心。系统同时搭载一台水平放置的日射强度计，以同步记录全球太阳辐照度。数据采集于美国新墨西哥大学屋顶，采样间隔为15秒，仅在太阳高度角高于15°时进行。可见光图像分辨率为450×450像素，红外图像为60×80像素，均以无损PNG格式存储。日射强度计以每秒4至6次的速率采样，数据保存为CSV文件。此外，数据集还包含由时间戳计算生成的太阳位置文件及气象站数据。

特点

该数据集的核心特点在于其多模态同步采集能力，融合了红外与可见光图像、辐照度测量及太阳位置信息，为云层特征提取与超短期太阳辐照度预测提供了丰富的数据基础。红外与可见光传感器的结合增强了云层特征的多样性，而太阳跟踪器的使用确保了太阳始终位于图像中心，有效减少了光照变化对图像质量的影响。此外，可见光图像通过多曝光融合技术生成16位高动态范围图像，克服了太阳周围区域过曝与外围区域过暗的问题。数据集覆盖242天、跨越3年的太阳周期，总数据量达119GB，具备良好的时间跨度与规模。

使用方法

该数据集可广泛应用于太阳辐照度超短期预测、光伏发电功率预测及微电网能量管理等领域。研究人员可利用红外与可见光图像提取云层特征，结合日射强度计测量的辐照度数据，训练机器学习或深度学习模型，预测太阳被云层遮挡导致的辐照度骤降事件。数据集的太阳位置信息可用于标定图像中的太阳坐标，便于特征提取。气象站数据（温度、气压、风速等）可进一步丰富预测模型的输入特征。数据以原始格式提供，便于用户根据具体应用自定义预处理流程，如调整预测时间尺度或融合不同传感器信息。

背景与挑战

背景概述

GIRASOL数据集由美国新墨西哥大学电气与计算机工程系及计算机科学系的研究人员Guillermo Terrén-Serrano、Adnan Bashir、Trilce Estrada和Manel Martínez-Ramón于2021年创建，旨在解决微电网中太阳能发电的超短期预测问题。该数据集通过自主研发的“Girasol Machine”数据采集系统，同步记录天空成像（包括长波红外与可见光图像）与全球太阳辐照度（GSI）测量值，并利用太阳追踪器确保太阳始终位于图像中心。其核心研究问题在于从云层特征中提取信息，以预测光伏系统因云遮挡导致的功率波动，从而提升智能电网的能量调度能力。该数据集提供了242天、总计119GB的观测数据，包含红外与可见光图像、GSI测量值及太阳位置信息，为太阳能预测、图像处理及机器学习领域提供了宝贵的基准资源，对可再生能源集成与电网稳定性研究具有重要影响力。

当前挑战

该数据集所解决的领域问题包括：1）超短期太阳辐照度预测中，云层动态变化导致光伏功率输出剧烈波动，传统模型难以精确捕捉云遮挡事件；2）天空成像中，可见光图像在太阳周围区域因强散射效应导致云特征模糊，而红外图像虽能穿透部分云层但分辨率较低，多源传感器融合面临特征对齐与噪声干扰的困难。构建过程中遇到的挑战有：3）红外图像噪声显著，需通过多帧平均与相关性分析剔除缺陷帧；4）可见光图像需在不同曝光时间（1至28毫秒）下采集并融合为高动态范围图像，以避免过曝或欠曝区域丢失云信息；5）太阳追踪系统需每秒根据太阳位置算法调整云台角度，确保太阳始终居中，对硬件同步与算法实时性要求极高；6）数据采集覆盖全年不同季节，需应对天气变化导致的采样率波动与设备维护需求。

常用场景

经典使用场景

在可再生能源与智能电网研究领域，GIRASOL数据集凭借其独特的双模态天空成像与全球太阳辐照度同步采集能力，成为超短期太阳辐照度预测的经典基准。该数据集通过安装在太阳追踪器上的长波红外与可见光鱼眼相机，以15秒间隔持续记录云层动态，并同步获取高频率的辐照度测量值，为基于云特征提取的功率预测模型提供了时空对齐的丰富训练素材。研究者常利用该数据集验证卷积神经网络、循环神经网络及其混合架构在捕捉云遮挡事件、预测光伏出力骤降方面的有效性，推动了从图像到辐照度的端到端预测范式发展。

衍生相关工作

GIRASOL数据集催生了多项具有影响力的衍生工作。在方法层面，研究者基于其双模态图像提出了多尺度云特征融合网络，将红外热辐射信息与可见光纹理信息结合，提升了云层分类与运动估计的精度。在系统层面，该数据集启发了将天空成像与数值天气预报混合的集成预测框架，通过注意力机制动态权衡不同来源的预测置信度。此外，围绕该数据集还衍生出针对集中式太阳能热发电系统的云阴影建模研究，以及面向建筑光伏一体化场景的辐照度空间降尺度算法。这些工作不仅拓展了数据集的应用边界，也推动了太阳能预测领域从单一传感器向多源信息融合的方向演进。

数据集最近研究

最新研究方向

在可再生能源与智能电网深度融合的背景下，GIRASOL数据集为超短期太阳辐照度预测提供了创新性的多模态解决方案。该数据集通过同步采集长波红外与可见光鱼眼图像、太阳辐照度测量值及太阳位置信息，构建了首个以太阳跟踪器为核心的天基成像与辐照度联合观测系统。当前前沿研究聚焦于利用深度学习模型从红外与可见光图像中提取云层动态特征，以精准预报光伏系统因云层遮挡引发的功率骤降事件。这一方向与全球能源系统向高比例可再生能源转型的热点紧密关联，尤其在微电网和智能电网中，该数据集支撑的预测算法能够显著提升能源调度的自主性与可靠性，为应对光伏发电间歇性挑战提供了关键数据基础，推动了太阳能预测技术从传统统计方法向人工智能驱动的范式跃迁。

相关研究论文

• Girasol, a Sky Imaging and Global Solar Irradiance Dataset

  电气与计算机工程系 · 2021年