Spatio-Temporal Cooperative Probability Forecasting Method for Distributed Photovoltaic Output Based on iDGA-LSTM

ZHANG Kunming; MA Longyi; ZHANG Tianhan; ZHONG Hongmei; TAN Weitao; WEI Yuanqing; LIN Zhenzhi

doi:10.7500/AEPS20240119001

您当前的位置：

首页 >

文章列表页 >

Spatio-Temporal Cooperative Probability Forecasting Method for Distributed Photovoltaic Output Based on iDGA-LSTM

Basic Research | 更新时间：2025-06-16

- Spatio-Temporal Cooperative Probability Forecasting Method for Distributed Photovoltaic Output Based on iDGA-LSTM
- Automation of Electric Power Systems Vol. 49, Issue 1, Pages: 128-138(2025)
- 作者机构：
  
  1.浙江大学电气工程学院，浙江省杭州市 310027
  2.广东电网有限责任公司惠州供电局，广东省惠州市 516000
- 作者简介：
- 基金信息：
  
  China Southern Power Grid Company Limited(031300KK52222089)
- DOI：10.7500/AEPS20240119001
  CLC：
- Received：19 January 2024，
  
  Revised：2024-06-06，
  
  Published Online：26 November 2024，
  
  Published：10 January 2025
- 稿件说明：
移动端阅览
张昆明,马龙义,章天晗等.基于iDGA-LSTM的分布式光伏出力时空协同概率预测方法[J].电力系统自动化,2025,49(1):128-138.

ZHANG Kunming,MA Longyi,ZHANG Tianhan,et al.Spatio-Temporal Cooperative Probability Forecasting Method for Distributed Photovoltaic Output Based on iDGA-LSTM[J].Automation of Electric Power Systems,2025,49(1):128-138.
张昆明,马龙义,章天晗等.基于iDGA-LSTM的分布式光伏出力时空协同概率预测方法[J].电力系统自动化,2025,49(1):128-138. DOI： 10.7500/AEPS20240119001.

ZHANG Kunming,MA Longyi,ZHANG Tianhan,et al.Spatio-Temporal Cooperative Probability Forecasting Method for Distributed Photovoltaic Output Based on iDGA-LSTM[J].Automation of Electric Power Systems,2025,49(1):128-138. DOI： 10.7500/AEPS20240119001.

摘要

由于光伏出力具有较大的不确定性，高比例分布式光伏的接入将给新型电力系统的安全稳定运行带来巨大挑战，准确且可靠的分布式光伏出力预测对提升新型电力系统运行安全性具有重要意义。在此背景下，考虑分布式光伏出力的时空耦合特性和不确定性，提出一种基于改进分位数回归与动态图注意力-长短期记忆网络（iDGA-LSTM）的分布式光伏出力时空协同概率预测方法。首先，考虑广域范围内分布式光伏出力的空间相关性，构建了基于图注意力网络的分布式光伏空间相关特征提取与聚合模型；接着，针对提取得到的分布式光伏空间相关性特征，构建了基于动态图注意力-长短期记忆网络的分布式光伏时空耦合特征提取模型；然后，综合考虑分布式光伏出力的时空耦合特性，结合数值气象预报特征，构建了基于改进分位数回归的分布式光伏出力概率预测模型。最后，以某实际分布式光伏数据为例对所提预测方法进行验证，算例分析结果表明，所提方法有效提高了分布式光伏出力预测的可靠性与精准性，能够为不同风险水平下的电力系统运行提供参考。

Abstract

Due to the significant uncertainty of photovoltaic output

the high proportion of distributed photovoltaic integration will pose a huge challenge to the safe and stable operation of the new power system. Accurate and reliable distributed photovoltaic output forecasting is of great significance to improve the security of the new power system operation. Under this background

considering the spatio-temporal coupling characteristics and uncertainty of distributed photovoltaic output

this paper proposes a spatio-temporal cooperative probability forecasting method of distributed photovoltaic output based on the improved quantile regression based dynamic graph attention and the long short-term memory network (iDGA-LSTM). Firstly

considering the spatial correlation of distributed photovoltaic output across a wide area

a distributed photovoltaic spatial feature extraction and aggregation model based on the graph attention network is constructed. Secondly

regarding the extracted distributed photovoltaic spatial correlation features

a distributed photovoltaic spatio-temporal coupling feature extraction model based on the dynamic graph attention and the long short-term memory network is constructed. Then

taking into account the spatio-temporal coupling characteristics of distributed photovoltaic output and combining them with numerical meteorological forecasting features

a probability forecasting model for distributed photovoltaic output based on improved quantile regression is constructed. Finally

the proposed forecasting method is verified with some actual distributed photovoltaic data. The simulation results show that the proposed method improves the reliability and accuracy of distributed photovoltaic output forecasting and provides references for the power system operation strategies with different risk levels.

关键词

Keywords

references

陈明昊，朱月瑶，孙毅，等 . 计及高渗透率光伏消纳与深度强化学习的综合能源系统预测调控［J］. 电工技术学报， 2024 ， 39 （ 19 ）： 6054 - 6071 .

CHEN Minghao ， ZHU Yueyao ， SUN Yi ， et al . The predictive-control optimization method for park integrated energy system considering the high penetration of photovoltaics and deep reinforcement learning ［J］. Transactions of China Electrotechnical Society ， 2024 ， 39 （ 19 ）： 6054 - 6071 .

叶林，裴铭，路朋，等 . 基于天气分型的短期光伏功率组合预测方法［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 44 - 54 .

YE Lin ， PEI Ming ， LU Peng ， et al . Combination forecasting method of short-term photovoltaic power based on weather classification ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 44 - 54 .

LI J J ， ZHANG C H ， SUN B . Two-stage hybrid deep learning with strong adaptability for detailed day-ahead photovoltaic power forecasting ［J］. IEEE Transactions on Sustainable Energy ， 2023 ， 14 （ 1 ）： 193 - 205 .

DAVID M ， LUIS M A ， LAURET P . Comparison of intraday probabilistic forecasting of solar irradiance using only endogenous data ［J］. International Journal of Forecasting ， 2018 ， 34 （ 3 ）： 529 - 547 .

武宇翔，韩肖清，牛哲文，等 . 融合多注意力深度神经网络的可解释光伏功率区间预测［J/OL］. 电网技术［ 2024-02-07 ］. https：//doi.org/10.13335/j.1000-3673.pst.2023.0978 https://doi.org/10.13335/j.1000-3673.pst.2023.0978 .

WU Yuxiang ， HAN Xiaoqing ， NIU Zhewen ， et al . Interpretable photovoltaic power interval prediction using multi-attention deep neural networks ［J/OL］. Power System Technology ［ 2024-02-07 ］. https：//doi.org/10.13335/j.1000-3673.pst.2023.0978 https://doi.org/10.13335/j.1000-3673.pst.2023.0978 .

BRACALE A ， CARPINELLI G ， DE FALCO P . A probabilistic competitive ensemble method for short-term photovoltaic power forecasting ［J］. IEEE Transactions on Sustainable Energy ， 2017 ， 8 （ 2 ）： 551 - 560 .

林帆，张耀，东琦，等 . 基于分位数插值和深度自回归网络的光伏出力概率预测［J］. 电力系统自动化， 2023 ， 47 （ 9 ）： 79 - 87 .

LIN Fan ， ZHANG Yao ， DONG Qi ， et al . Probability prediction of photovoltaic output based on quantile interpolation and deep autoregressive network ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 9 ）： 79 - 87 .

ZHANG R Y ， MA H ， HUA W ， et al . Data-driven photovoltaic generation forecasting based on a Bayesian network with spatial-temporal correlation analysis ［J］. IEEE Transactions on Industrial Informatics ， 2020 ， 16 （ 3 ）： 1635 - 1644 .

MOAVENI H ， CLICK D K ， MEEKER R H ， et al . Quantifying solar power variability for a large central PV plant and small distributed PV plant ［C］/ / 2013 IEEE 39th Photovoltaic Specialists Conference （PVSC）， June 16-21 ， 2013 ， Tampa， USA ： 969 - 972 .

阮呈隆，李康平，李正辉，等 . 分布式光伏集群功率短期预测的空间互补特性初探［J］. 电力系统自动化， 2024 ， 48 （ 3 ）： 42 - 50 .

RUAN Chenglong ， LI Kangping ， LI Zhenghui ， et al . Preliminary study on spatial complementarity characteristics of short-term power prediction for distributed photovoltaic clusters ［J］. Automation of Electric Power Systems ， 2024 ， 48 （ 3 ）： 42 - 50 .

HU T Y ， WU W C ， GUO Q L ， et al . Very short-term spatial and temporal wind power forecasting： a deep learning approach ［J］. CSEE Journal of Power and Energy Systems ， 2020 ， 6 （ 2 ）： 434 - 443 .

CHAI S J ， XU Z ， JIA Y W ， et al . A robust spatiotemporal forecasting framework for photovoltaic generation ［J］. IEEE Transactions on Smart Grid ， 2020 ， 11 （ 6 ）： 5370 - 5382 .

KHODAYAR M ， WANG J H . Spatio-temporal graph deep neural network for short-term wind speed forecasting ［J］. IEEE Transactions on Sustainable Energy ， 2019 ， 10 （ 2 ）： 670 - 681 .

JIAO X ， LI X S ， LIN D Y ， et al . A graph neural network based deep learning predictor for spatio-temporal group solar irradiance forecasting ［J］. IEEE Transactions on Industrial Informatics ， 2022 ， 18 （ 9 ）： 6142 - 6149 .

高博，茆超，张冲标，等 . 基于时空图网络的分布式光伏发电出力预测［J］. 电力系统及其自动化学报， 2023 ， 35 （ 3 ）： 125 - 133 .

GAO Bo ， MAO Chao ， ZHANG Chongbiao ， et al . Output prediction of distributed photovoltaic power generation based on spatial-temporal graph neural network ［J］. Proceedings of the CSU-EPSA ， 2023 ， 35 （ 3 ）： 125 - 133 .

王玉庆，徐飞，刘志坚，等 . 基于动态关联表征与图网络建模的分布式光伏超短期功率预测［J］. 电力系统自动化， 2023 ， 47 （ 20 ）： 72 - 82 .

WANG Yuqing ， XU Fei ， LIU Zhijian ， et al . Ultra-short-term power forecasting of distributed photovoltaic based on dynamic correlation characterization and graph network modeling ［J］. Automation of Electric Power Systems ， 2023 ， 47 （ 20 ）： 72 - 82 .

SIMEUNOVIĆ J ， SCHUBNEL B ， ALET P J ， et al . Spatio-temporal graph neural networks for multi-site PV power forecasting ［J］. IEEE Transactions on Sustainable Energy ， 2022 ， 13 （ 2 ）： 1210 - 1220 .

焦田利，章坚民，李熊，等 . 基于空间相关性的大规模分布式用户光伏空间分群方法［J］. 电力系统自动化， 2019 ， 43 （ 21 ）： 97 - 102 .

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 - 102 .

王晶，黄越辉，李驰，等 . 考虑空间相关性和天气类型划分的多光伏电站时间序列建模方法［J］. 电网技术， 2020 ， 44 （ 4 ）： 1376 - 1383 .

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 - 1383 .

VASWANI A ， SHAZEER N ， PARMAR N ， et al . Attention is all you need ［EB/OL］. ［ 2024-05-07 ］. https：//arxiv.org/pdf/1706.03762 https://arxiv.org/pdf/1706.03762 .

HOCHREITER S ， SCHMIDHUBER J . Long short-term memory ［J］. Neural Computation ， 1997 ， 9 ： 1735 - 1780 .

WANG Y ， ZHANG N ， TAN Y S ， et al . Combining probabilistic load forecasts ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 4 ）： 3664 - 3674 .

HAO L ， NAIMAN D Q . Quantile regression ［M］. Trafford， UK ： Trafford Publishing ， 2007 .

PATTERSON A ， LIAO V ， WHITE M . Robust losses for learning value functions ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2023 ， 45 （ 5 ）： 6157 - 6167 .

万灿，宋永华 . 新能源电力系统概率预测理论与方法及其应用［J］. 电力系统自动化， 2021 ， 45 （ 1 ）： 2 - 16 .

WAN Can ， SONG Yonghua . Theories， methodologies and applications of probabilistic forecasting for power systems with renewable energy sources ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 1 ）： 2 - 16 .

National Centers for Environmental Information . Grid over the contiguous United States ［EB/OL］. ［ 2023-09-16 ］. https：//www.ncei.noaa.gov/products/weather-climate-models/north-american-mesoscale https://www.ncei.noaa.gov/products/weather-climate-models/north-american-mesoscale .

王开艳，杜浩东，贾嵘，等 . 基于相似日聚类和QR-CNN-BiLSTM模型的光伏功率短期区间概率预测［J］. 高电压技术， 2022 ， 48 （ 11 ）： 4372 - 4384 .

WANG Kaiyan ， DU Haodong ， JIA Rong ， et al . Short-term interval probability prediction of photovoltaic power based on similar daily clustering and QR-CNN-BiLSTM model ［J］. High Voltage Engineering ， 2022 ， 48 （ 11 ）： 4372 - 4384 .

LIU J ， FANG W L ， ZHANG X D ， et al . An improved photovoltaic power forecasting model with the assistance of aerosol index data ［J］. IEEE Transactions on Sustainable Energy ， 2015 ， 6 （ 2 ）： 434 - 442 .

WANG K J ， QI X X ， LIU H D . A comparison of day-ahead photovoltaic power forecasting models based on deep learning neural network ［J］. Applied Energy ， 2019 ， 251 ： 113315 .

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Voltage Regulation Strategy for Active Distribution Network Based on Multi-agent Deep Reinforcement Learning

Generalized Load Modeling and Parameter Identification for Distribution Networks Considering Fault Ride-through Capability of Distributed Photovoltaic

Probabilistic Prediction Method for Interpretable Net Load Based on Kolmogorov-Arnold Network

Related Author

HUANG Yu

ZHANG Xiaoxiao

YUE Dong

HU Songlin

WANG Juan

LI Zhukun

YIN Xiyu

CUI Han

Related Institution

Institute of Advanced Technology for Carbon Neutrality, Nanjing University of Posts and Telecommunications

NARI Technology Co., Ltd.

School of Electrical Engineering and Automation, Wuhan University

Electric Power Research Institute of State Grid Qinghai Electric Power Company

NARI Group Corporation (State Grid Electric Power Research Institute)

⁰