基于KPH-GeoMAN的光伏功率预测方法
刘宏博^1，2 李寒^1，2

1 北方工业大学信息学院，北京市，100144；

2 大规模流数据集成与分析技术北京市重点实验室，北京市，100144；

摘要：随着全球工业的快速发展，国内外对于能源的需求与日俱增,使用太阳能的光伏发电有着不稳定性，因此对光伏发电功率进行准确的预测是能源管理的重中之重。为满足这样的预测需求，本文考虑光伏功率预测的时空相关性特征，提出了基于KPH-GeoMAN光伏功率预测方法。该方法首先在GeoMAN模型基础上，构建了融合面向光伏功率预测的特征工程方法的光伏功率预测框架，由额外因素模块、编码器、解码器和特征工程部分构成；然后通过融合地理信息等多源时空数据加强模型对空间相关性的提取能力；最后，通过加入基于半正矢公式的临近场站选择方法进一步增强了模型对于空间相关性的学习能力，降低了低相关场站信息对模型的干扰，提升了模型的预测准确度。实验表明KPH-GeoMAN方法能够大幅度提高短期预测准确率。

关键词：光伏功率预测；深度学习；特征工程；时空相关性

参考文献

[1]DENG Xinyi, AI Xin. Comprehensive benefit  assess-ment and incentive mechanism of distributed photovol-taic energy storage system［J］. Power Generation Technology，2018，39（1）：30−36（in Chinese）.

[2]陈嘉铭．基于深度学习和强化学习的光伏发电功率预测研究［D］．广州: 广东工业大学，2022

[3]阚博文,刘广一,KHODAYAR Mahdi,等 基于图机器学习的分布式光伏发电预测[J].供用电,2019,36(11):20-27.

[4]焦田利，基于时空关系的广域分布式光伏发电群出力预测关键模型研究[D].杭州电子科技大学,2019.

[5]李争,张杰,徐若思,等.基于相似日聚类和PCC-VMD-SSA-KELM模型的短期光伏功率预测[J].太阳能学报,2024,45(02):460-468.DOI:10.19912/j.0254-0096.tynxb.2022-1608.

[6]陈君,郭立颖,赵小会,等. 基于MPBiLSTM的短期光伏发电功率预测[J/OL].计算机技术与发展,1-8[2024-08-02].https://doi.org/10.20165/j.cnki.ISSN1673-629X.2024.0204.

[7]Arthur D, Vassilvitskii S. k-means++: The advantages of careful seeding[R]. Stanford, 2006.

[8]Liang Y, Ke S, Zhang J, et al. Geoman: Multi-level attention networks for geo-sensory time series prediction[C]//IJCAI. 2018, 2018: 3428-3434.