準(zhǔn)確預(yù)測(cè)光伏發(fā)電功率對(duì)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(shí)珉、許可 等，在2021年第11期《電工技術(shù)學(xué)報(bào)》上撰文，提出一種基于灰色關(guān)聯(lián)分析和GeoMAN模型得光伏發(fā)電功率短期預(yù)測(cè)方法。與傳統(tǒng)LSTM模型相比，該方法實(shí)現(xiàn)了更高精度得光伏發(fā)電功率短期預(yù)測(cè)。
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(duì)其進(jìn)行準(zhǔn)確得建模和特性分析是一個(gè)多影響因素得數(shù)學(xué)難題。準(zhǔn)確得預(yù)測(cè)光伏發(fā)電功率可以使電力調(diào)度部門及時(shí)調(diào)整調(diào)度計(jì)劃，提高電網(wǎng)運(yùn)行得經(jīng)濟(jì)性和穩(wěn)定性，促進(jìn)新能源消納。
光伏發(fā)電是一個(gè)連續(xù)不斷得過程，光伏發(fā)電數(shù)據(jù)作為一個(gè)典型得時(shí)間序列，不僅是非線性得，而且具有時(shí)間相關(guān)性。光伏發(fā)電功率每時(shí)刻得變化不僅取決于當(dāng)前時(shí)刻，還取決于過去時(shí)刻。
有學(xué)者提出基于多維時(shí)間序列得光伏發(fā)電功率預(yù)測(cè)方法，采用相關(guān)性分析對(duì)不同時(shí)間尺度得光伏功率序列進(jìn)行分析，然后利用支持向量回歸方法建立光伏功率預(yù)測(cè)模型。但在天氣類型突變得情況下，模型得預(yù)測(cè)精度不高。有學(xué)者建立了基于差分整合移動(dòng)平均自回歸模型（Autoregressive Integrated Moving Average Model, ARIMA）與支持向量機(jī)得分布式光伏功率預(yù)測(cè)模型，并在不同天氣類型下進(jìn)行案例分析，但由于缺乏對(duì)空間特征得提取，模型精度有待進(jìn)一步提升。
每個(gè)光伏電站具有獨(dú)特得地理空間位置，光伏發(fā)電功率具有空間相關(guān)性。對(duì)于臨近地區(qū)得多個(gè)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(duì)光伏電站時(shí)空相關(guān)性得研究，有學(xué)者提出一種深度時(shí)空特征提取得光伏發(fā)電功率預(yù)測(cè)模型，針對(duì)鄰近區(qū)域得光伏電站進(jìn)行圖建模，使用長短期記憶（Long Short-Term Memory, LSTM）模型進(jìn)行時(shí)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(qiáng)空間性，圖機(jī)器學(xué)習(xí)還應(yīng)該結(jié)合地理方位和云層運(yùn)動(dòng)，以達(dá)到更加精準(zhǔn)得預(yù)測(cè)效果。
有學(xué)者利用聚類方法對(duì)大規(guī)模區(qū)域光伏電站進(jìn)行分塊形成群光伏電站，然后進(jìn)一步篩選群光伏電站中與待預(yù)測(cè)電站具有空間相關(guān)性得光伏電站，建立自回歸滑動(dòng)平均模型（Auto-Regression and Moving Average, ARMA）實(shí)現(xiàn)對(duì)光伏發(fā)電功率得預(yù)測(cè)。模型具有一定得預(yù)測(cè)能力，但隨著預(yù)測(cè)時(shí)長得增加預(yù)測(cè)精度下降。
現(xiàn)有工作大多依賴光伏電站氣象裝置量測(cè)得氣象數(shù)據(jù)或者數(shù)值天氣預(yù)報(bào)（Numerical Weather Prediction, NWP）中得氣象數(shù)據(jù)，僅采用某些針對(duì)性特征進(jìn)行功率預(yù)測(cè)，缺乏對(duì)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(jié)合電站實(shí)測(cè)數(shù)據(jù)和NWP數(shù)據(jù)，基于灰色關(guān)聯(lián)分析和GeoMAN（Geo-sensory Multi-level Attention Networks）模型，提出一種動(dòng)態(tài)時(shí)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(yù)測(cè)方法。
圖1 GeoMAN功率預(yù)測(cè)模型框架
圖2 該文所提得光伏發(fā)電功率短期預(yù)測(cè)
他們采用灰色關(guān)聯(lián)分析對(duì)所有電站進(jìn)行相關(guān)性分析，選取與待預(yù)測(cè)光伏電站高度相關(guān)得周邊電站。然后基于待預(yù)測(cè)光伏電站和周邊相關(guān)電站得信息，利用GeoMAN模型實(shí)現(xiàn)對(duì)光伏發(fā)電功率得短期預(yù)測(cè)。GeoMAN模型采用編解碼器架構(gòu)，編碼器包含站內(nèi)特征注意力機(jī)制，站間空間注意力機(jī)制和LSTM，以提取待預(yù)測(cè)光伏電站得站內(nèi)局部特征和與周邊相關(guān)電站得站間空間特征。解碼器包含時(shí)間注意力機(jī)制和LSTM，從而預(yù)測(cè)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(jìn)一步提升光伏發(fā)電功率預(yù)測(cè)精度。
算例分析結(jié)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(guān)聯(lián)分析和GeoMAN得光伏發(fā)電功率短期預(yù)測(cè)模型應(yīng)用于光伏發(fā)電功率預(yù)測(cè)得可行性和高效性，可以滿足短期實(shí)時(shí)調(diào)度需求。
感謝編自2021年第11期《電工技術(shù)學(xué)報(bào)》，原文標(biāo)題為“基于灰色關(guān)聯(lián)分析和GeoMAN模型得光伏發(fā)電功率短期預(yù)測(cè)”，感謝分享為時(shí)珉、許可 等。
