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

王玉庆; 徐飞; 刘志坚; 甄钊; 王飞

doi:10.7500/AEPS20230517001

您当前的位置：

首页 >

文章列表页 >

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

学术研究 | 更新时间：2025-06-16

- 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
- Ultra-short-term Power Forecasting of Distributed Photovoltaic Based on Dynamic Correlation Characterization and Graph Network Modeling
- 电力系统自动化 2023年47卷第20期页码：72-82
- 作者机构：
  
  1.华北电力大学电力工程系,河北省保定市 071003
  2.新型电力系统运行与控制全国重点实验室(清华大学),北京市 100084
  3.华北电力大学动力工程系,河北省保定市 071003
  4.新能源电力系统国家重点实验室(华北电力大学),北京市 102206
  5.河北省分布式储能与微网重点实验室(华北电力大学),河北省保定市 071003
- 作者简介：
  
  王玉庆(1999—)，男，博士研究生，主要研究方向：分布式光伏功率预测、需求响应与电力市场。E-mail：wangyuqing@ncepu.edu.cn
  徐飞(1974—)，男，博士，研究员，主要研究方向：电热综合能源系统动态建模及协调优化运行、需求侧灵活资源调控技术。E-mail：xufei@tsinghua.edu.cn
  刘志坚(1984—)，男，博士，教授，博士生导师，主要研究方向：分布式能源、零碳建筑、建筑能量管理系统。E-mail：zhijianliu@ncepu.edu.cn
  甄钊(1989—)，男，通信作者，博士，讲师，主要研究方向：光伏发电功率预测、风电功率预测、电价与电量预测。E-mail：zhenzhao@ncepu.edu.cn
- 基金信息：
  
  国家自然科学基金资助项目(52007092);国家重点研发计划资助项目(2022YFB2403000)
- DOI：10.7500/AEPS20230517001
  中图分类号：
- 收稿：2023-05-17，
  
  修回：2023-06-29，
  
  网络出版：2023-09-05，
  
  纸质出版：2023-10-25
- 稿件说明：
移动端阅览
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.
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. DOI： 10.7500/AEPS20230517001.

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. DOI： 10.7500/AEPS20230517001.

摘要

现有方法忽略了分布式光伏时空关联性的动态变化，难以有效利用时空特征信息提升功率预测精度。考虑到分布式光伏出力的强波动特性与分布式光伏集群强时空关联性，提出一种基于时空关联动态表征与图卷积网络建模的分布式光伏超短期功率预测方法。首先

将各分布式光伏复杂出力序列分解为相对简单、波动较小的多个波动模态分量。然后，考虑到分布式光伏场站间时空关联性动态变化，利用数据驱动方式提取各类波动模态分量表征的各分布式光伏间深层次时空关联关系，并构建由各波动模态分量表征的多个动态时空图结构。在此基础上，建立考虑动态时空关联性的图卷积预测模型，针对不同模态下出力子序列分别预测，而后重构得到各场站功率进而获取区域分布式光伏总功率。最后，基于真实分布式光伏出力数据验证了所提方法的优越性。

Abstract

Accurate distributed photovoltaic power forecasting provides important support for the safe and stable operation of active distribution networks. However

existing methods neglect the dynamic changes in the spatio-temporal correlations of distributed photovoltaics

making it difficult to effectively utilize spatio-temporal feature information to improve power forecasting accuracy. Considering the strong fluctuation characteristics of distributed photovoltaic output and the strong spatio-temporal correlation of distributed photovoltaic clusters

this paper proposes an ultra-short-term power forecasting method of distributed photovoltaics based on dynamic spatio-temporal correlation characterization and graph convolutional network modeling. First

the complex output sequences of each distributed photovoltaic are decomposed into multiple fluctuation mode components which are relatively simple and have smaller fluctuations. Then

considering the dynamic change of the spatio-temporal correlation between distributed photovoltaic sites

a data-driven method is used to extract the deep spatio-temporal correlation among distributed photovoltaic sites represented by various fluctuation mode components

and multiple dynamic spatio-temporal graph structures represented by each fluctuation mode component are constructed. On this basis

a graph convolutional forecasting model considering the dynamic spatio-temporal correlation is established. The output sub-sequences in different modes are forecasted

respectively

and then the power of each station is reconstructed to obtain the total regional distributed photovoltaic power. Finally

the superiority of the proposed method is verified based on real distributed photovoltaic output data.

关键词

Keywords

references

张汀荟，谢明成，王蓓蓓，等 . 分布式光伏的共享价值及其对配电网影响的系统动力学仿真［J］. 电力系统自动化， 2021 ， 45 （ 18 ）： 35 - 44 .

ZHANG Tinghui ， XIE Mingcheng ， WANG Beibei ， et al . System dynamics simulation of shared value of distributed photovoltaic and its impact on distribution network ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 18 ）： 35 - 44 .

王康达，张保会 . 远方集中式与就地分布式光伏供电经济性比较［J］. 电力系统自动化， 2017 ， 41 （ 16 ）： 179 - 186 .

WANG Kangda ， ZHANG Baohui . Economy comparison of distant ground photovoltaic stations and distributed photovoltaic stations ［J］. Automation of Electric Power Systems ， 2017 ， 41 （ 16 ）： 179 - 186 .

国家能源局 . 2022年光伏发电建设运行情况［EB/OL］.（ 2023-02-17 ）［ 2023-03-09 ］. http：//www.nea.gov.cn/2023-02/17/c_1310698128.htm http://www.nea.gov.cn/2023-02/17/c_1310698128.htm .

National Energy Administration . Construction and operation of photovoltaic power generation in 2022 ［EB/OL］. （ 2023-02-17 ）［ 2023-03-09 ］. http：//www.nea.gov.cn/2023-02/17/c_1310698128.htm http://www.nea.gov.cn/2023-02/17/c_1310698128.htm .

LI K P ， WANG F ， MI Z Q ， et al . Capacity and output power estimation approach of individual behind-the-meter distributed photovoltaic system for demand response baseline estimation ［J］. Applied Energy ， 2019 ， 253 ： 113595 .

LI K P ， YAN J C ， HU L ， et al . Two-stage decoupled estimation approach of aggregated baseline load under high penetration of behind-the-meter PV system ［J］. IEEE Transactions on Smart Grid ， 2021 ， 12 （ 6 ）： 4876 - 4885 .

XUAN Z M ， GAO X ， LI K P ， et al . PV-load decoupling based demand response baseline load estimation approach for residential customer with distributed PV system ［J］. IEEE Transactions on Industry Applications ， 2020 ， 56 （ 6 ）： 6128 - 6137 .

葛鑫鑫，付志扬，徐飞，等 . 面向新型电力系统的虚拟电厂商业模式与关键技术［J］. 电力系统自动化， 2022 ， 46 （ 18 ）： 129 - 146 .

GE Xinxin ， FU Zhiyang ， XU Fei ， et al . Business model and key technologies of virtual power plant for new power system ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 18 ）： 129 - 146 .

吴璐阳，辛洁晴，王承民 . 计入用户从众心理的分布式光伏装机容量预测［J］. 电力系统自动化， 2022 ， 46 （ 14 ）： 83 - 92 .

WU Luyang ， XIN Jieqing ， WANG Chengmin . Installed capacity forecasting for distributed photovoltaic considering herd mentality of users ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 14 ）： 83 - 92 .

方一晨，张沈习，程浩忠，等 . 含智能软开关的主动配电网分布式光伏准入容量鲁棒优化［J］. 电力系统自动化， 2021 ， 45 （ 7 ）： 8 - 17 .

FANG Yichen ， ZHANG Shenxi ， CHENG Haozhong ， et al . Robust optimization of distributed photovoltaic hosting capacity of active distribution network with soft open point ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 7 ）： 8 - 17 .

刘嘉诚，刘俊，赵宏炎，等 . 基于DKDE与改进mRMR特征选择的短期光伏出力预测［J］. 电力系统自动化， 2021 ， 45 （ 14 ）： 13 - 21 .

LIU Jiacheng ， LIU Jun ， ZHAO Hongyan ， et al . Short-term photovoltaic output forecasting based on diffusion kernel density estimation and improved max-relevance and min-redundancy feature selection ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 14 ）： 13 - 21 .

杨晶显，张帅，刘继春，等 . 基于VMD和双重注意力机制LSTM的短期光伏功率预测［J］. 电力系统自动化， 2021 ， 45 （ 3 ）： 174 - 182 .

YANG Jingxian ， ZHANG Shuai ， LIU Jichun ， et al . Short-term photovoltaic power prediction based on variational mode decomposition and long short-term memory with dual-stage attention mechanism ［J］. Automation of Electric Power Systems ， 2021 ， 45 （ 3 ）： 174 - 182 .

WANG F ， XUAN Z M ， ZHEN Z ， et al . A day-ahead PV power forecasting method based on LSTM-RNN model and time correlation modification under partial daily pattern prediction framework ［J］. Energy Conversion and Management ， 2020 ， 212 ： 112766 .

叶洪吉，卫东，郭倩，等 . 基于设计信息的分布式光伏电站预测发电量计算方法［J］. 太阳能学报， 2021 ， 42 （ 4 ）： 253 - 259 .

YE Hongji ， WEI Dong ， GUO Qian ， et al . Calculation method of power generation forecast of distributed PV power station based on design information ［J］. Acta Energiae Solaris Sinica ， 2021 ， 42 （ 4 ）： 253 - 259 .

张家安，王琨玥，陈建，等 . 基于空间相关性的分布式光伏出力预测［J］. 电力建设， 2020 ， 41 （ 3 ）： 47 - 53 .

ZHANG Jiaan ， WANG Kunyue ， CHEN Jian ， et al . Research on prediction of distributed photovoltaic output considering spatial relevance ［J］. Electric Power Construction ， 2020 ， 41 （ 3 ）： 47 - 53 .

王彪，吕洋，陈中，等 . 考虑信息时移的分布式光伏机理-数据混合驱动短期功率预测［J］. 电力系统自动化， 2022 ， 46 （ 11 ）： 67 - 74 .

WANG Biao ， LYU Yang ， CHEN Zhong ， et al . Hybrid mechanism-data-driven short-term power forecasting of distributed photovoltaic considering information time shift ［J］. Automation of Electric Power Systems ， 2022 ， 46 （ 11 ）： 67 - 74 .

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 .

ZHEN H ， NIU D X ， WANG K K ， et al . Photovoltaic power forecasting based on GA improved bi-LSTM in microgrid without meteorological information ［J］. Energy ， 2021 ， 231 ： 120908 .

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 forecast of distributed photovoltaic power generation based on spatial-temporal graph neural network ［J］. Proceedings of the CSU-EPSA ， 2023 ， 35 （ 3 ）： 125 - 133 .

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 .

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 .

WANG F ， XUAN Z M ， ZHEN Z ， et al . A minutely solar irradiance forecasting method based on real-time sky image-irradiance mapping model ［J］. Energy Conversion and Management ， 2020 ， 220 ： 113075 .

WU Z H ， PAN S R ， LONG G D ， et al . Graph WaveNet for deep spatial-temporal graph modeling ［EB/OL］. ［ 2022-03-09 ］. https：//arxiv.org/abs/1906.00121 https://arxiv.org/abs/1906.00121 .

GUO S N ， LIN Y F ， WAN H Y ， et al . Learning dynamics and heterogeneity of spatial-temporal graph data for traffic forecasting ［J］. IEEE Transactions on Knowledge and Data Engineering ， 2022 ， 34 （ 11 ）： 5415 - 5428 .

WANG F ， CHEN P ， ZHEN Z ， et al . Dynamic spatio-temporal correlation and hierarchical directed graph structure based ultra-short-term wind farm cluster power forecasting method ［J］. Applied Energy ， 2022 ， 323 ： 119579 .

MAJUMDER I ， DASH P K ， BISOI R . Variational mode decomposition based low rank robust kernel extreme learning machine for solar irradiation forecasting ［J］. Energy Conversion and Management ， 2018 ， 171 ： 787 - 806 .

TA X X ， LIU Z H ， HU X ， et al . Adaptive spatio-temporal graph neural network for traffic forecasting ［J］. Knowledge-Based Systems ， 2022 ， 242 ： 108199 .

KIPF T N ， WELLING M . Semi-supervised classification with graph convolutional networks ［EB/OL］. ［ 2023-03-09 ］. https：//arxiv.org/abs/1609.02907 https://arxiv.org/abs/1609.02907 .

王飞，米增强，甄钊，等 . 基于天气状态模式识别的光伏电站发电功率分类预测方法［J］. 中国电机工程学报， 2013 ， 33 （ 34 ）： 75 - 82 .

WANG Fei ， MI Zengqiang ， ZHEN Zhao ， et al . A classified forecasting approach of power generation for photovoltaic plants based on weather condition pattern recognition ［J］. Proceedings of the CSEE ， 2013 ， 33 （ 34 ）： 75 - 82 .

WANG F ， LU X X ， MEI S W ， et al . A satellite image data based ultra-short-term solar PV power forecasting method considering cloud information from neighboring plant ［J］. Energy ， 2022 ， 238 ： 121946 .

FU Y W ， CHAI H ， ZHEN Z ， et al . Sky image prediction model based on convolutional auto-encoder for minutely solar PV power forecasting ［J］. IEEE Transactions on Industry Applications ， 2021 ， 57 （ 4 ）： 3272 - 3281 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于多智能体深度强化学习的主动配电网电压调控策略

计及分布式光伏故障穿越能力的配电网广义负荷建模及参数辨识

基于KAN的可解释净负荷概率预测方法