基于灰色關(guān)聯(lián)分析和GeoMAN模型的光伏發(fā)電功率短期預(yù)測(cè)

時(shí) 珉 許 可 王 玨 尹 瑞 張 沛

基于灰色關(guān)聯(lián)分析和GeoMAN模型的光伏發(fā)電功率短期預(yù)測(cè)

時(shí) 珉1許 可2,3王 玨2,3尹 瑞1張 沛4

（1. 國(guó)網(wǎng)河北省電力有限公司 石家莊 050021 2. 中國(guó)科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心 北京 100190 3. 中國(guó)科學(xué)院大學(xué) 北京 100040 4. 天津弘源慧能科技有限公司 天津 300000）

準(zhǔn)確預(yù)測(cè)光伏發(fā)電功率對(duì)電網(wǎng)調(diào)度具有十分重要的意義。該文提出一種基于灰色關(guān)聯(lián)分析和GeoMAN模型的光伏發(fā)電功率短期預(yù)測(cè)方法。首先，利用灰色關(guān)聯(lián)分析對(duì)某地區(qū)多光伏電站進(jìn)行空間相關(guān)性分析，選取與待預(yù)測(cè)光伏電站高度相關(guān)的周邊電站；然后，基于GeoMAN模型動(dòng)態(tài)提取待預(yù)測(cè)光伏電站的時(shí)空特征和外部氣象因素，GeoMAN模型采用編解碼結(jié)構(gòu)，利用編碼器動(dòng)態(tài)提取待預(yù)測(cè)光伏電站的站內(nèi)特征和與周邊相關(guān)電站的站間空間特征，利用解碼器提取輸入變量的時(shí)間特性，并融合晴空指數(shù)和數(shù)值天氣預(yù)報(bào)動(dòng)態(tài)輸出光伏發(fā)電預(yù)測(cè)功率；最后，采用實(shí)際光伏電站進(jìn)行案例分析，結(jié)果表明該文所提出的預(yù)測(cè)方法與傳統(tǒng)LSTM模型相比，實(shí)現(xiàn)了更高精度的光伏發(fā)電功率短期預(yù)測(cè)。

光伏功率短期預(yù)測(cè) 灰色關(guān)聯(lián)分析 GeoMAN模型 時(shí)空相關(guān)性 注意力機(jī)制

0 引言

光伏發(fā)電受到太陽(yáng)輻射周期、地理環(huán)境及各種氣象因素變化的影響，對(duì)其進(jìn)行準(zhǔn)確的建模和特性分析是一個(gè)多影響因素的數(shù)學(xué)難題[1]。準(zhǔn)確的預(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)行的經(jīng)濟(jì)性和穩(wěn)定性，促進(jìn)新能源消納[2]。

光伏發(fā)電是一個(gè)連續(xù)不斷的過(guò)程，光伏發(fā)電數(shù)據(jù)作為一個(gè)典型的時(shí)間序列，不僅是非線性的，而且具有時(shí)間相關(guān)性[3]。光伏發(fā)電功率每時(shí)刻的變化不僅取決于當(dāng)前時(shí)刻，還取決于過(guò)去時(shí)刻。文獻(xiàn)[4]提出基于多維時(shí)間序列的光伏發(fā)電功率預(yù)測(cè)方法，采用相關(guān)性分析對(duì)不同時(shí)間尺度的光伏功率序列進(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。但在天氣類型突變的情況下，模型的預(yù)測(cè)精度不高。文獻(xiàn)[5]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)的分布式光伏功率預(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)空間特征的提取，模型精度有待進(jìn)一步提升。

每個(gè)光伏電站具有獨(dú)特的地理空間位置，光伏發(fā)電功率具有空間相關(guān)性[6]。對(duì)于臨近地區(qū)的多個(gè)光伏電站而言，由于地理位置條件相近，且在相似的天氣、氣溫等氣象條件作用下，光伏電站輸出功率呈現(xiàn)一定程度的相似性[7]。針對(duì)光伏電站時(shí)空相關(guān)性的研究，文獻(xiàn)[8]提出一種深度時(shí)空特征提取的光伏發(fā)電功率預(yù)測(cè)模型，針對(duì)鄰近區(qū)域的光伏電站進(jìn)行圖建模，使用長(zhǎng)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的空間特征。但是由于分布式光伏電站具有強(qiáng)空間性[9]，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)的預(yù)測(cè)效果。文獻(xiàn)[10]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)性的光伏電站，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)電功率的預(yù)測(cè)。模型具有一定的預(yù)測(cè)能力，但隨著預(yù)測(cè)時(shí)長(zhǎng)的增加預(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)的氣象數(shù)據(jù)或者數(shù)值天氣預(yù)報(bào)（Numerical Weather Prediction, NWP）中的氣象數(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)信息的有效利用。本文結(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的光伏發(fā)電功率短期預(yù)測(cè)方法。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)的周邊電站。然后基于待預(yù)測(cè)光伏電站和周邊相關(guān)電站的信息，利用GeoMAN模型實(shí)現(xiàn)對(duì)光伏發(fā)電功率的短期預(yù)測(cè)。GeoMAN模型采用編解碼器架構(gòu)[11]，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)光伏電站的站內(nèi)局部特征和與周邊相關(guān)電站的站間空間特征。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。以某地區(qū)真實(shí)光伏電站的數(shù)據(jù)進(jìn)行案例分析，驗(yàn)證了所述方法的有效性。

1 基于灰色關(guān)聯(lián)分析和GeoMAN模型的光伏發(fā)電功率短期預(yù)測(cè)

1.1 基于灰色關(guān)聯(lián)分析的相關(guān)光伏電站選取

利用式（1）計(jì)算某地區(qū)所有電站與待預(yù)測(cè)光伏電站之間的關(guān)聯(lián)度，選取關(guān)聯(lián)度較高的光伏電站作為與待預(yù)測(cè)光伏電站高度相關(guān)的周邊電站，用于GeoMAN模型提取待預(yù)測(cè)光伏電站的空間特征。

1.2 基于GeoMAN模型的光伏發(fā)電功率短期預(yù)測(cè)

GeoMAN模型是Liang Yuxuan[13]等于2018年提出的地理空間傳感器參數(shù)預(yù)測(cè)模型。GeoMAN模型能夠提取輸入變量的時(shí)空相關(guān)性并融合影響傳感器參數(shù)的外部因素，從而更準(zhǔn)確地預(yù)測(cè)傳感器參數(shù)。圖1為GeoMAN模型應(yīng)用于光伏發(fā)電功率預(yù)測(cè)的框架。GeoMAN模型編碼器中的站內(nèi)特征注意力機(jī)制對(duì)待預(yù)測(cè)光伏電站的局部特征進(jìn)行提取，站間空間注意力機(jī)制利用相似度向量賦予相關(guān)電站不同的空間特征權(quán)重，編碼器中的LSTM[14]對(duì)站內(nèi)特征注意力機(jī)制和站間空間注意力機(jī)制的輸出向量進(jìn)行編碼。解碼器中的時(shí)間注意力機(jī)制自適應(yīng)地提取相關(guān)時(shí)間間隔的數(shù)據(jù)特征，LSTM對(duì)編碼器輸出的特征向量進(jìn)行解碼，并融合晴空指數(shù)和NWP實(shí)現(xiàn)對(duì)光伏發(fā)電功率的預(yù)測(cè)。

圖1 GeoMAN功率預(yù)測(cè)模型框架

1.2.1 待預(yù)測(cè)光伏電站的站內(nèi)特征注意力機(jī)制

每個(gè)光伏電站的局部特征與功率之間具有復(fù)雜的相關(guān)性，隨著時(shí)間和氣象的變化，局部特征每時(shí)刻對(duì)功率的影響各不相同[15]。采用GeoMAN模型的站內(nèi)特征注意力機(jī)制動(dòng)態(tài)捕捉待預(yù)測(cè)光伏電站站內(nèi)特征與預(yù)測(cè)功率之間的相關(guān)性。待預(yù)測(cè)光伏電站的站內(nèi)特征注意力機(jī)制為

1.2.2 待預(yù)測(cè)光伏電站與相關(guān)電站的站間空間注意力機(jī)制

站間空間注意力機(jī)制捕捉待預(yù)測(cè)光伏電站與相關(guān)電站的空間相關(guān)性，根據(jù)相關(guān)程度的不同賦予相關(guān)電站不同的注意力機(jī)制權(quán)重。待預(yù)測(cè)光伏電站與第個(gè)電站的站間空間注意力機(jī)制為

1.2.3 編碼器中的LSTM

1.2.4 提取時(shí)序特征的時(shí)間注意力機(jī)制

每個(gè)時(shí)刻的隱藏向量對(duì)輸出功率的影響不盡相同，時(shí)間注意力機(jī)制自適應(yīng)地選擇相關(guān)的時(shí)間間隔進(jìn)行功率預(yù)測(cè)，每個(gè)歷史時(shí)刻隱藏狀態(tài)的注意力權(quán)重計(jì)算公式為

1.2.5 外部氣象因素融合模塊

1.2.6 解碼器中的LSTM

1.3 基于灰色關(guān)聯(lián)分析和GeoMAN模型的光伏發(fā)電功率短期預(yù)測(cè)流程

圖2為基于灰色關(guān)聯(lián)分析和GeoMAN模型的光伏發(fā)電功率預(yù)測(cè)流程。圖中灰色關(guān)聯(lián)分析用于選擇與待預(yù)測(cè)光伏電站高度相關(guān)的周邊電站，去除其他電站的干擾，使得GeoMAN模型能更高效地提取待預(yù)測(cè)光伏電站的空間特征，降低模型復(fù)雜度。

圖2 基于灰色關(guān)聯(lián)分析和GeoMAN模型的光伏發(fā)電功率短期預(yù)測(cè)流程

數(shù)據(jù)預(yù)處理包括去除夜間無(wú)功率數(shù)據(jù)和歸一化。由于光伏發(fā)電功率較集中，去除夜間19:30至次日5:15的無(wú)功率數(shù)據(jù)有助于降低模型復(fù)雜度。Z-score標(biāo)準(zhǔn)歸一化公式為

2 案例分析

本文所有數(shù)據(jù)均來(lái)源于某地區(qū)多個(gè)實(shí)際光伏電站，其中每個(gè)光伏電站的數(shù)據(jù)集包含2018年7月1日～2019年6月13日逐15min的實(shí)測(cè)氣象數(shù)據(jù)，數(shù)值天氣預(yù)報(bào)數(shù)據(jù)和光伏發(fā)電功率。基于Tensorflow建立光伏發(fā)電功率短期預(yù)測(cè)模型，分別利用本文提出方法和傳統(tǒng)LSTM模型對(duì)測(cè)試集進(jìn)行功率預(yù)測(cè)，驗(yàn)證本文所述方法的可行性。

2.1 灰色關(guān)聯(lián)分析結(jié)果

利用式（13）將所有光伏電站的功率進(jìn)行歸一化，然后利用式（1）計(jì)算待預(yù)測(cè)光伏電站和周邊其他光伏電站的灰色關(guān)聯(lián)度，待預(yù)測(cè)光伏電站與其中五個(gè)光伏電站的灰色關(guān)聯(lián)度結(jié)果見(jiàn)表1。

表1 灰色關(guān)聯(lián)分析結(jié)果

Tab.1 Results of Grey Relational Analysis

由表1可知，1號(hào)和5號(hào)光伏電站與待預(yù)測(cè)光伏電站的灰色關(guān)聯(lián)度最高，因此選擇1號(hào)和5號(hào)光伏電站作為待預(yù)測(cè)光伏電站的相關(guān)電站，用于GeoMAN模型提取待預(yù)測(cè)光伏電站的空間特征。表1中灰色關(guān)聯(lián)系數(shù)是GeoMAN模型提取空間相關(guān)性的相似度向量。

2.2 預(yù)測(cè)結(jié)果對(duì)比分析

基于灰色關(guān)聯(lián)分析和GeoMAN模型的光伏發(fā)電功率短期預(yù)測(cè)方法的輸入為待預(yù)測(cè)光伏電站和周邊相關(guān)電站歷史=58個(gè)時(shí)刻即歷史一天的實(shí)測(cè)總輻照度、實(shí)測(cè)散射輻照度、環(huán)境溫度、氣壓和功率，外部因素模塊輸入待預(yù)測(cè)光伏電站未來(lái)=58個(gè)時(shí)刻即未來(lái)一天的晴空指數(shù)、預(yù)測(cè)總輻照度、預(yù)測(cè)直射輻照度、預(yù)測(cè)地面百葉箱氣溫、預(yù)測(cè)地面百葉箱相對(duì)濕度和地面10m風(fēng)速。模型輸出待預(yù)測(cè)光伏電站未來(lái)一天的預(yù)測(cè)功率。GeoMAN的編解碼器中兩個(gè)LSTM均采用單層網(wǎng)絡(luò)結(jié)構(gòu)，隱藏層神經(jīng)元個(gè)數(shù)為128，模型采用Adam優(yōu)化器、MSE損失函數(shù)和Relu激活函數(shù)等參數(shù)，其他自由參數(shù)由模型在訓(xùn)練過(guò)程中自動(dòng)選擇。傳統(tǒng)LSTM對(duì)比模型的輸入輸出與GeoMAN模型相同，由于GeoMAN模型采用兩個(gè)單層LSTM，為保持結(jié)構(gòu)相似，對(duì)比LSTM模型中采用雙層LSTM結(jié)構(gòu)，其內(nèi)部參數(shù)與GeoMAN模型保持一致。

根據(jù)天氣預(yù)報(bào)網(wǎng)的天氣類型，分別選取2019年5月26日雨天、6月2日陰天和6月11日晴天三種天氣類型對(duì)GeoMAN模型和LSTM模型進(jìn)行對(duì)比實(shí)驗(yàn)。圖3為GeoMAN模型和LSTM模型的預(yù)測(cè)功率與實(shí)際發(fā)電功率在不同天氣類型下的對(duì)比圖。

圖3 不同天氣類型下GeoMAN模型和LSTM模型的預(yù)測(cè)結(jié)果對(duì)比圖

Fig.3 Comparison of forecasting results between GeoMAN model and LSTM model under different weather types

方均根誤差（RMSE）和平均絕對(duì)誤差（MAE）[20]用于評(píng)估預(yù)測(cè)模型的準(zhǔn)確性，公式為

表2 不同天氣類型下GeoMAN模型和LSTM模型的預(yù)測(cè)結(jié)果對(duì)比

Tab.2 Comparison of forecasting results between GeoMAN model and LSTM model under different weather types

由圖3和表2可知，在雨天、陰天和晴天三種天氣類型下，GeoMAN模型的預(yù)測(cè)結(jié)果均優(yōu)于LSTM模型的預(yù)測(cè)結(jié)果，GeoMAN模型的RMSE和MAE誤差指標(biāo)均小于LSTM模型。晴天時(shí)，GeoMAN模型和LSTM模型的預(yù)測(cè)精度最高，兩模型間的誤差最小，雨天和陰天的預(yù)測(cè)精度差于晴天的預(yù)測(cè)精度。這是因?yàn)榍缣鞎r(shí)功率曲線較平滑，更易于準(zhǔn)確地預(yù)測(cè)功率。雨天和陰天時(shí)功率波動(dòng)性最大，模型很難動(dòng)態(tài)感知功率曲線一天的變化。但總體而言，LSTM模型只捕捉了待預(yù)測(cè)光伏電站的時(shí)序特征和外部因素特征，對(duì)于每個(gè)特征每個(gè)時(shí)刻賦予相同的權(quán)重，無(wú)法高效提取輸入數(shù)據(jù)間的關(guān)聯(lián)特性和每個(gè)輸入數(shù)據(jù)自身的時(shí)序特征。GeoMAN模型使用兩層注意力機(jī)制賦予輸入數(shù)據(jù)不同的權(quán)重，不僅提取了輸入數(shù)據(jù)自身的時(shí)序特征，還捕捉了待預(yù)測(cè)光伏電站的空間特性。編解碼器中的兩個(gè)LSTM根據(jù)注意力機(jī)制的輸出更好地學(xué)習(xí)模型內(nèi)部參數(shù)，從而更加準(zhǔn)確地預(yù)測(cè)光伏發(fā)電功率。

2019年5月10日～2019年6月13日的數(shù)據(jù)為測(cè)試集，分別利用GeoMAN模型和LSTM模型對(duì)測(cè)試集進(jìn)行功率預(yù)測(cè)。GeoMAN模型和LSTM模型每15min預(yù)測(cè)功率的絕對(duì)值見(jiàn)表3。除每天早晚時(shí)刻LSTM模型預(yù)測(cè)誤差小于GeoMAN模型預(yù)測(cè)誤差外，6:45～17:00共42個(gè)時(shí)刻點(diǎn)的GeoMAN模型誤差均小于LSTM模型，因此GeoMAN模型對(duì)光伏功率曲線的起止點(diǎn)預(yù)測(cè)效果欠佳，但是對(duì)光伏功率曲線的坡度和峰值預(yù)測(cè)較準(zhǔn)確。GeoMAN模型和LSTM模型在測(cè)試集上整體預(yù)測(cè)結(jié)果見(jiàn)表4，基于灰色關(guān)聯(lián)分析和GeoMAN模型的光伏發(fā)電功率預(yù)測(cè)精度優(yōu)于LSTM模型。與LSTM模型相比，GeoMAN模型預(yù)測(cè)誤差指標(biāo)RMSE降低15.3%，MAE降低17.8%，說(shuō)明GeoMAN模型應(yīng)用于光伏發(fā)電功率預(yù)測(cè)的可行性和高效性。

表3 GeoMAN模型和LSTM模型的每15min預(yù)測(cè)結(jié)果對(duì)比

Tab.3 Comparison of forecasting results between GeoMAN model and LSTM model every 15 minutes

表4 GeoMAN模型和LSTM模型的測(cè)試集預(yù)測(cè)結(jié)果對(duì)比

Tab.4 Comparison of forecasting results between GeoMAN model and LSTM model on test set

綜上，LSTM模型可以預(yù)測(cè)出光伏發(fā)電功率的大致趨勢(shì)，預(yù)測(cè)曲線較平滑且波動(dòng)性不強(qiáng)，而在實(shí)際光伏發(fā)電中，功率受到各種外部因素的影響而呈現(xiàn)較劇烈的波動(dòng)性。因此LSTM模型預(yù)測(cè)功率與實(shí)際功率間的誤差較大。GeoMAN模型的預(yù)測(cè)功率波動(dòng)性更強(qiáng)，更貼近于實(shí)際發(fā)電功率。因此本文基于灰色關(guān)聯(lián)分析和GeoMAN模型提出的一種動(dòng)態(tài)時(shí)空特征提取和外部氣象因素融合的光伏發(fā)電功率短期預(yù)測(cè)方法能有效提升光伏發(fā)電功率預(yù)測(cè)精度。

3 結(jié)論

本文充分考慮了光伏發(fā)電功率的時(shí)空相關(guān)性和影響光伏發(fā)電的外部氣象因素，提出基于灰色關(guān)聯(lián)分析和GeoMAN模型的光伏發(fā)電功率短期預(yù)測(cè)方法。利用灰色關(guān)聯(lián)分析選取與待預(yù)測(cè)光伏電站關(guān)聯(lián)度較高的周邊電站，為提取待預(yù)測(cè)光伏電站的空間特征提供依據(jù)。基于GeoMAN的功率預(yù)測(cè)模型中設(shè)置了站內(nèi)特征注意力機(jī)制，站間空間注意力機(jī)制和時(shí)間注意力機(jī)制，充分挖掘了待預(yù)測(cè)光伏電站的動(dòng)態(tài)時(shí)空特征。模型還融合了多源外部氣象因素模塊，進(jìn)一步提升光伏發(fā)電功率的預(yù)測(cè)精度。算例分析結(jié)果表明，本文所述模型較LSTM模型具有更高的精度，說(shuō)明基于灰色關(guān)聯(lián)分析和GeoMAN的光伏發(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)的可行性和高效性，可以滿足短期實(shí)時(shí)調(diào)度需求。

[1]賴昌偉, 黎靜華, 陳博, 等. 光伏發(fā)電出力預(yù)測(cè)技術(shù)研究綜述[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(6): 1201-1217. Lai Changwei, Li Jinghua, Chen Bo, et al. Review of photovoltaic power output prediction technology[J]. Transactions of China Electrotechnical Society, 2019, 34(6): 1201-1217.

[2]張雨曼, 劉學(xué)智, 嚴(yán)正, 等. 光伏-儲(chǔ)能-熱電聯(lián)產(chǎn)綜合能源系統(tǒng)分解協(xié)調(diào)優(yōu)化運(yùn)行研究[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(11): 2372-2386. Zhang Yuman, Liu Xuezhi, Yan Zheng, et al. Decomposition-coordination based optimization for PV-BESS-CHP integrated energy systems[J]. Transactions of China Electrotechnical Society, 2020, 35(11): 2372-2386.

[3]He Hui, Hu Ran, Zhang Yaning, et al. A power forecasting approach for PV plant based on irradiance index and LSTM[C]//Proceedings of the 37th Chinese Control Conference, Wuhan, China, 2018: 9404-9409.

[4]黃磊, 舒杰, 姜桂秀, 等. 基于多維時(shí)間序列局部支持向量回歸的微網(wǎng)光伏發(fā)電預(yù)測(cè)[J]. 電力系統(tǒng)自動(dòng)化, 2014, 38(5): 19-24. Huang Lei, Shu Jie, Jiang Guixiu, et al. Photovoltaic generation forecast based on multidimensional time-series and local support vector regression in microgrids[J]. Automation of Electric Power Systems, 2014, 38(5): 19-24.

[5]趙濱濱, 王瑩, 王彬, 等. 基于ARIMA時(shí)間序列的分布式光伏系統(tǒng)輸出功率預(yù)測(cè)方法研究[J]. 可再生能源, 2019, 37(6): 820-823. Zhao Binbin, Wang Ying, Wang Bin, et al. Research on output power forecast method of distributed photovoltaic system based on ARIMA time series[J]. Renewable Energy, 2019, 37(6): 820-823.

[6]焦田利, 章堅(jiān)民, 李熊, 等. 基于空間相關(guān)性的大規(guī)模分布式用戶光伏空間分群方法[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(21): 97-105, 162. Jiao Tianli, Zhang Jianmin, Li Xiong, et al. Spatial clustering method for large-scale distributed user photovoltaics based on spatial correlation[J]. Automation of Electric Power Systems, 2019, 43(21): 97-105, 162.

[7]于若英, 陳寧, 苗淼, 等. 考慮天氣和空間相關(guān)性的光伏電站輸出功率修復(fù)方法[J]. 電網(wǎng)技術(shù), 2017, 41(7): 2229-2236. Yu Reying, Chen Ning, Miao Miao, et al. A repair method for PV power station output data considering weather and spatial correlations[J]. Power System Technology, 2017, 41(7): 2229-2236.

[8]闞博文, 劉廣一, Khodayar Mahdi, 等. 基于圖機(jī)器學(xué)習(xí)的分布式光伏發(fā)電預(yù)測(cè)[J]. 供用電, 2019, 36(11): 20-27. Kan Bowen, Liu Guangyi, Khodayar M, et al. Distributed photovoltaic generation prediction based on graph machine learning[J]. Distribution & Utilization, 2019, 36(11): 20-27.

[9]王晶, 黃越輝, 李馳, 等. 考慮空間相關(guān)性和天氣類型劃分的多光伏電站時(shí)間序列建模方法[J]. 電網(wǎng)技術(shù), 2020, 44(4): 1376-1384. Wang Jing, Huang Yuehui, Li Chi, et al. Time series modeling method for multi-photovoltaic power stations considering spatial correlation and weather type classification[J]. Power System Technology, 2020, 44(4): 1376-1384.

[10]焦田利. 基于時(shí)空關(guān)系的廣域分布式光伏發(fā)電群出力預(yù)測(cè)關(guān)鍵模型研究[D]. 杭州: 杭州電子科技大學(xué), 2019.

[11]路寬, 趙巖, 王昕, 等. 一種基于編碼解碼長(zhǎng)短期記憶網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)方法: 中國(guó), CN108711847B[P]. 2019-06-04.

[12]鐘建林, 何友, 王紅星. 基于多頻小波分析和D-S推理的電路故障診斷[J]. 電工技術(shù)學(xué)報(bào), 2010, 25(8): 180-184, 192. Zhong Jianlin, He You, Wang Hongxing. Circuit fault diagnosis based on multi-frequency wavelet analysis and D-S reasoning[J]. Transactions of China Electrotechnical Society, 2010, 25(8): 180-184, 192.

[13]Liang Yuxuan, Ke Songyu, Zhang Junbo, et al. GeoMAN: multi-level attention networks for Geo-sensory time series prediction[C]//Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence, Stockholm, 2018: 3428-3434.

[14]李冬輝, 尹海燕, 鄭博文, 等. 改進(jìn)的LSTM方法在冷水機(jī)組傳感器故障檢測(cè)中的應(yīng)用[J]. 電工技術(shù)學(xué)報(bào), 2019, 34(11): 2324-2332. Li Donghui, Yin Haiyan, Zheng Bowen, et al. Application of improved LSTM method in sensor fault detection of the chiller[J]. Transactions of China Electrotechnical Society, 2019, 34(11): 2324-2332.

[15]朱文立, 張利, 楊明, 等. 考慮日周期性影響的光伏功率爬坡事件非精確概率預(yù)測(cè)[J]. 電力系統(tǒng)自動(dòng)化, 2019, 43(20): 31-40. Zhu Wenli, Zhang Li, Yang Ming, et al. Imprecise probabilistic prediction of photovoltaic power ramp event considering daily periodic effect[J]. Automation of Electric Power Systems, 2019, 43(20): 31-40.

[16]謝恩哲. 考慮氣象要素的光伏預(yù)測(cè)模型研究[D]. 哈爾濱: 哈爾濱理工大學(xué), 2015.

[17]吉鋅格, 李慧, 劉思嘉, 等. 基于MIE-LSTM的短期光伏功率預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(7): 50-57. Ji Xinge, Li Hui, Liu Sijia, et al. Short-term photovoltaic power forecasting based on MIE-LSTM[J]. Power System Protection and Control, 2020, 48(7): 50-57.

[18]王晨, 寇鵬. 基于卷積神經(jīng)網(wǎng)絡(luò)和簡(jiǎn)單循環(huán)單元集成模型的風(fēng)電場(chǎng)內(nèi)多風(fēng)機(jī)風(fēng)速預(yù)測(cè)[J]. 電工技術(shù)學(xué)報(bào), 2020, 35(13): 2723-2735. Wang Chen, Kou Peng. Wind speed forecasts of multiple wind turbines in a wind farm based on integration model built by convolutional neural network and simple recurrent unit[J]. Transactions of China Electrotechnical Society, 2020, 35(13): 2723-2735.

Short-Term Photovoltaic Power Forecast Based on Grey Relational Analysis and GeoMAN Model

Shi Min1Xu Ke2,3Wang Jue2,3Yin Rui1Zhang Pei4

（1. State Grid Hebei Electric Power Co. Ltd Shijiazhuang 050021 China 2. Computer Network Information Center Chinese Academy of Sciences Beijing 100190 China 3. University of Chinese Academy of Sciences Beijing 100040 China 4. Tianjin Hongyuan Smart Energy Co. Ltd Tianjin 300000 China）

Accurate forecast of photovoltaic (PV) power is important for power system dispatch. A new short-term PV power forecasting method is proposed based on grey relational analysis and GeoMAN model. Firstly, grey relational analysis is utilized to analyze spatial correlation among multiple PV stations. And several surrounding PV stations highly related with the target PV station are selected. Then, GeoMAN model is established for dynamically extracting the spatiotemporal feature and external meteorological factors. GeoMAN model adopts encoder and decoder structure. The encoder is utilized to dynamically extract the intra-station feature of the target station and the inter-station spatial feature with the related stations. The decoder is utilized to extract the time feature of input variables. Clearness index and numerical weather prediction (NWP) are finally integrated for short-term PV power forecast. A case study is conducted using data collected from practical PV stations. Study results indicate that the proposed method can achieve higher accuracy compared with long short-term memory (LSTM) model.

Short-term PV power forecast, grey relational analysis, GeoMAN model, spatiotemporal correlation, attentional mechanism

TM615

10.19595/j.cnki.1000-6753.tces.200538

國(guó)家電網(wǎng)河北電力有限公司科技項(xiàng)目資助（kj2019-077）。

2020-05-25

2020-08-22

時(shí) 珉 男，1976年生，本科，高級(jí)工程師，研究方向?yàn)殡娏ο到y(tǒng)運(yùn)行與控制、可再生能源發(fā)電系統(tǒng)。E-mail：shimin9999@126.com

王 玨 男，1981年生，博士，研究生導(dǎo)師，研究方向?yàn)槿斯ぶ悄芩惴ㄅc應(yīng)用軟件、高性能計(jì)算。E-mail：wangjue@cnic.cn（通信作者）

（編輯 赫蕾）