基于动态图卷积网络与形状感知损失函数的光伏功率超短期预测方法

《Energies》：A Novel Data-Driven Approach Integrating DGCN and TILDE-Q for Ultra-Short-Term Photovoltaic Power Forecasting

　　

摘要

准确的光伏（PV）功率超短期预测对于光伏系统的可靠运行和能源管理至关重要。然而，辐照度的快速变化以及复杂的气象条件导致光伏功率输出具有高度间歇性、非线性和非平稳性特征。现有的预测方法通常仅关注时间依赖性，而对气象变量与光伏功率之间动态关系的表征能力有限。此外，传统的逐点损失函数无法显式地保持多步预测的时间序列形状。为了解决这些局限性，本研究提出了一种融合动态图卷积网络（DGCN）、长短期记忆网络（LSTM）以及基于距离平衡的变换不变损失函数（TILDE-Q）的预测框架。气象变量和历史光伏功率被表示为图节点，DGCN动态学习其样本特定的依赖关系。LSTM捕捉时间演化模式，而TILDE-Q约束幅度、相位和缩放变化以提高轨迹一致性。该方法在两个独立的实际运行光伏数据集上，针对1步、4步、8步和16步预测时长进行了评估，分别对应未来15分钟、1小时、2小时和4小时的预测。DGCN-LSTM在两个数据集的所有预测时长上均实现了最低的RMSE和最高的 。与MAE训练目标相比，TILDE-Q将RMSE和MAE分别降低了最多15.35%和25.90%，并且始终优于DILATE。这些结果表明，将动态变量依赖建模与形状感知优化相结合，可以有效提高多步光伏功率预测的精度和轨迹一致性。