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的影響，對其進(jìn)行準(zhǔn)確的建模和特性分析是一個多影響因素的數(shù)學(xué)難題。準(zhǔn)確的預(yù)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)運行的經(jīng)濟(jì)性和穩(wěn)定性，促進(jìn)新能源消納。

光伏發(fā)電是一個連續(xù)不斷的過程，光伏發(fā)電數(shù)據(jù)作為一個典型的時間序列，不僅是非線性的，而且具有時間相關(guān)性。光伏發(fā)電功率每時刻的變化不僅取決于當(dāng)前時刻，還取決于過去時刻。

有學(xué)者提出基于多維時間序列的光伏發(fā)電功率預(yù)測方法，采用相關(guān)性分析對不同時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)測模型。但在天氣類型突變的情況下，模型的預(yù)測精度不高。有學(xué)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(jī)的分布式光伏功率預(yù)測模型，并在不同天氣類型下進(jìn)行案例分析，但由于缺乏對空間特征的提取，模型精度有待進(jìn)一步提升。

每個光伏電站具有獨特的地理空間位置，光伏發(fā)電功率具有空間相關(guān)性。對于臨近地區(qū)的多個光伏電站而言，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。

針對光伏電站時空相關(guān)性的研究，有學(xué)者提出一種深度時空特征提取的光伏發(fā)電功率預(yù)測模型，針對鄰近區(qū)域的光伏電站進(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，圖機(jī)器學(xué)習(xí)還應(yīng)該結(jié)合地理方位和云層運動，以達(dá)到更加精準(zhǔn)的預(yù)測效果。

有學(xué)者利用聚類方法對大規(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)測電站具有空間相關(guān)性的光伏電站，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)電功率的預(yù)測。模型具有一定的預(yù)測能力，但隨著預(yù)測時長的增加預(yù)測精度下降。

現(xiàn)有工作大多依賴光伏電站氣象裝置量測的氣象數(shù)據(jù)或者數(shù)值天氣預(yù)報（Numerical Weather Prediction, NWP）中的氣象數(shù)據(jù)，僅采用某些針對性特征進(jìn)行功率預(yù)測，缺乏對多源數(shù)據(jù)信息的有效利用。

國網(wǎng)河北省電力有限公司等單位的研究人員結(jié)合電站實測數(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，提出一種動態(tài)時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)測方法。

 他們采用灰色關(guān)聯(lián)分析對所有電站進(jìn)行相關(guān)性分析，選取與待預(yù)測光伏電站高度相關(guān)的周邊電站。然后基于待預(yù)測光伏電站和周邊相關(guān)電站的信息，利用GeoMAN模型實現(xiàn)對光伏發(fā)電功率的短期預(yù)測。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。解碼器包含時間注意力機(jī)制和LSTM，從而預(yù)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(jìn)一步提升光伏發(fā)電功率預(yù)測精度。

算例分析結(jié)果表明，所述模型較LSTM模型具有更高的精度，說明基于灰色關(guān)聯(lián)分析和GeoMAN的光伏發(fā)電功率短期預(yù)測模型應(yīng)用于光伏發(fā)電功率預(yù)測的可行性和高效性，可以滿足短期實時調(diào)度需求。