基于时空融合效应与动态图注意力网络的光伏集群功率超短期预测研究

针对光伏集群功率预测受局部气象突变影响精度不足的问题，研究人员提出结合动态图注意力网络（DGAT）与双向长短期记忆网络（BILSTM）的时空动态建模方法，通过改进k-means聚类构建动态拓扑，筛选具有波动平滑效应的光伏节点。结果表明，该方法在1st～4th小时预测区间内平均降低归一化均方根误差（NRMSE）5.47%和归一化平均绝对误差（NMAE）5.20%，为新能源电力系统调度提供高精度支撑。

　　

随着全球能源结构转型加速，光伏发电已成为可再生能源的主力军。然而，大规模光伏集群的输出功率受局部气象突变影响显著，传统预测方法如整体法、累积法或静态集群划分难以平衡建模成本与精度，尤其面对气象突变时预测误差急剧上升。中国吉林某研究团队在《Renewable Energy》发表论文，提出一种融合时空动态图注意力网络（STDGAT）与双向长短期记忆网络（BILSTM）的创新框架，通过动态捕捉光伏电站间的波动消融收敛效应，显著提升了超短期预测精度。

研究团队采用三项关键技术：首先，提出时空波动消融收敛效应距离（SFACED）改进k-means算法，实时动态聚类光伏电站；其次，设计图节点自适应评估模块筛选最具收敛特性的子集群；最后，构建STDGAT-BILSTM联合模型学习节点间时空关联。实验数据来自中国吉林某光伏集群2021-2022年的15分钟间隔功率数据。

方法论
研究突破传统静态图神经网络的局限，引入动态图结构切换机制。通过SFACED距离量化电站间的波动互补效应，结合改进k-means实现动态拓扑划分，解决了固定图结构难以适应气象突变的问题。STDGAT模块采用多头注意力机制捕捉时空依赖，BILSTM则学习时间序列深层特征。

案例研究
在1-4小时预测区间内，该方法使N_RMSE和N_MAE分别平均降低5.47%和5.20%，决定性系数（R²）提升至0.98以上。对比实验显示，在晴空、多云及突变天气下均保持稳定性能，验证了动态拓扑对气象扰动的强适应性。

讨论与结论
该研究首次将波动消融收敛效应引入光伏集群建模，动态图结构切换机制显著提升了模型在复杂气象条件下的鲁棒性。实际应用中，该方法可降低电力系统旋转备用容量需求，预估每年为吉林电网节省超千万元调度成本。未来研究可扩展至风电-光伏混合集群的多能互补预测领域。

论文由Xin Su、Tao Huang等作者合作完成，获极端天气对新能源运行影响分析项目（编号4000-202455070A-1-1-ZN）支持，为高比例可再生能源并网提供了关键技术支撑。