考虑阵列间时空相关性的超短期光伏出力预测

• Published in: 电力系统保护与控制 Vol. 52; no. 14; pp. 82 - 94
• Main Authors: 韩晓, 王涛, 韦晓广, 王军
• Format: Journal Article
• Language: Chinese
• Published: 西华大学电气与电子信息学院,四川 成都 610039%西南交通大学电气工程学院,四川 成都 610031 01.07.2024
• Subjects: 超短期预测; 长短期记忆网络; long short-term memory network; graph convolution network; spatio-temporal correlation; 光伏发电; 图卷积神经网络; photovoltaic power generation; 时空相关性; ultra-short-term forecasting
• ISSN: 1674-3415
• DOI: 10.19783/j.cnki.pspc.231395

随着我国光伏产业建设步伐的加快,光伏出力预测对于优化电网调度和提高新能源消纳的意义日益凸显.基于光伏站点中不同阵列之间的空间相关性和光伏功率输出的时序特性,提出一种基于图卷积神经网络和长短期记忆网络(graph convolution network and long short-term memory,GCN-LSTM)的超短期光伏出力预测方法.该方法首先以图的形式刻画出光伏站点中不同阵列的连接关系.然后利用图卷积神经网络(graph convolution network,GCN)实现图模型的空间特征提取,并得到包含不同阵列之间空间特征的时序信息.最后将时序数据输入长短期记忆网络(long short-term memory,LSTM)进行光伏出力预测.实验结果表明,基于GCN-LSTM的光伏出力预测方法具有较高的精确性与稳定性,在一定程度上弥补了基于时序信息预测方法的固有缺陷,并且展现出在大规模电站上的良好应用前景.