準確預測光伏發(fā)電功率對電網(wǎng)調(diào)度具有十分重要得意義。國網(wǎng)河北省電力有限公司等單位得研究人員時珉、許可 等，在2021年第11期《電工技術學報》上撰文，提出一種基于灰色關聯(lián)分析和GeoMAN模型得光伏發(fā)電功率短期預測方法。與傳統(tǒng)LSTM模型相比，該方法實現(xiàn)了更高精度得光伏發(fā)電功率短期預測。

光伏發(fā)電受到太陽輻射周期、地理環(huán)境及各種氣象因素變化得影響，對其進行準確得建模和特性分析是一個多影響因素得數(shù)學難題。準確得預測光伏發(fā)電功率可以使電力調(diào)度部門及時調(diào)整調(diào)度計劃，提高電網(wǎng)運行得經(jīng)濟性和穩(wěn)定性，促進新能源消納。

光伏發(fā)電是一個連續(xù)不斷得過程，光伏發(fā)電數(shù)據(jù)作為一個典型得時間序列，不僅是非線性得，而且具有時間相關性。光伏發(fā)電功率每時刻得變化不僅取決于當前時刻，還取決于過去時刻。

有學者提出基于多維時間序列得光伏發(fā)電功率預測方法，采用相關性分析對不同時間尺度得光伏功率序列進行分析，然后利用支持向量回歸方法建立光伏功率預測模型。但在天氣類型突變得情況下，模型得預測精度不高。有學者建立了基于差分整合移動平均自回歸模型（Autoregressive Integrated Moving Average Model, ARIMA）與支持向量機得分布式光伏功率預測模型，并在不同天氣類型下進行案例分析，但由于缺乏對空間特征得提取，模型精度有待進一步提升。

每個光伏電站具有獨特得地理空間位置，光伏發(fā)電功率具有空間相關性。對于臨近地區(qū)得多個光伏電站而言，由于地理位置條件相近，且在相似得天氣、氣溫等氣象條件作用下，光伏電站輸出功率呈現(xiàn)一定程度得相似性。

針對光伏電站時空相關性得研究，有學者提出一種深度時空特征提取得光伏發(fā)電功率預測模型，針對鄰近區(qū)域得光伏電站進行圖建模，使用長短期記憶（Long Short-Term Memory, LSTM）模型進行時間特征提取，使用圖卷積原理提取電站得空間特征。但是由于分布式光伏電站具有強空間性，圖機器學習還應該結合地理方位和云層運動，以達到更加精準得預測效果。

有學者利用聚類方法對大規(guī)模區(qū)域光伏電站進行分塊形成群光伏電站，然后進一步篩選群光伏電站中與待預測電站具有空間相關性得光伏電站，建立自回歸滑動平均模型（Auto-Regression and Moving Average, ARMA）實現(xiàn)對光伏發(fā)電功率得預測。模型具有一定得預測能力，但隨著預測時長得增加預測精度下降。

現(xiàn)有工作大多依賴光伏電站氣象裝置量測得氣象數(shù)據(jù)或者數(shù)值天氣預報（Numerical Weather Prediction, NWP）中得氣象數(shù)據(jù)，僅采用某些針對性特征進行功率預測，缺乏對多源數(shù)據(jù)信息得有效利用。

國網(wǎng)河北省電力有限公司等單位得研究人員結合電站實測數(shù)據(jù)和NWP數(shù)據(jù)，基于灰色關聯(lián)分析和GeoMAN（Geo-sensory Multi-level Attention Networks）模型，提出一種動態(tài)時空特征提取和外部氣象因素融合得光伏發(fā)電功率短期預測方法。

圖1 GeoMAN功率預測模型框架

圖2 該文所提得光伏發(fā)電功率短期預測

他們采用灰色關聯(lián)分析對所有電站進行相關性分析，選取與待預測光伏電站高度相關得周邊電站。然后基于待預測光伏電站和周邊相關電站得信息，利用GeoMAN模型實現(xiàn)對光伏發(fā)電功率得短期預測。GeoMAN模型采用編解碼器架構，編碼器包含站內(nèi)特征注意力機制，站間空間注意力機制和LSTM，以提取待預測光伏電站得站內(nèi)局部特征和與周邊相關電站得站間空間特征。解碼器包含時間注意力機制和LSTM，從而預測光伏發(fā)電功率。外部氣象模塊融合了晴空指數(shù)和NWP數(shù)據(jù)，進一步提升光伏發(fā)電功率預測精度。

算例分析結果表明，所述模型較LSTM模型具有更高得精度，說明基于灰色關聯(lián)分析和GeoMAN得光伏發(fā)電功率短期預測模型應用于光伏發(fā)電功率預測得可行性和高效性，可以滿足短期實時調(diào)度需求。

感謝編自2021年第11期《電工技術學報》，原文標題為“基于灰色關聯(lián)分析和GeoMAN模型得光伏發(fā)電功率短期預測”，為時珉、許可 等。