用于多站点光伏功率预测的时空图神经网络
机器学习
2021-11-09 v2 信号处理
摘要
以精细时空分辨率准确预测太阳能发电对电网运行至关重要。然而，结合机器学习与数值天气预报（NWP）的最先进方法分辨率较粗。本文从图信号处理视角出发，将多站点光伏（PV）发电时间序列建模为图上的信号，以捕捉其时空依赖关系并实现更高空间与时间分辨率的预测。我们提出两种用于确定性多站点光伏预测的图神经网络新模型，称为图卷积长短期记忆（GCLSTM）与图卷积Transformer（GCTrafo）模型。这些方法仅依赖发电数据，并利用了光伏系统提供密集虚拟气象站网络的直觉。所提方法在两组覆盖全年的数据集上评估：1）来自304个真实光伏系统的发电数据，2）1000个光伏系统的模拟发电数据，均分布于瑞士。所提模型在提前六小时预测窗口上优于最先进的多站点预测方法。此外，在提前至多四小时的窗口上，所提模型优于以NWP为输入的最先进单站点方法。
引用
@article{arxiv.2107.13875,
title = {Spatio-temporal graph neural networks for multi-site PV power forecasting},
author = {Jelena Simeunović and Baptiste Schubnel and Pierre-Jean Alet and Rafael E. Carrillo},
journal= {arXiv preprint arXiv:2107.13875},
year = {2021}
}
备注
10 pages, 7 figures, accepted for publication in IEEE Transactions on Sustainable Energy