一种新型的因果图注意力网络，采用收敛式交叉映射技术进行短期光伏发电量预测

《Renewable Energy》：A novel causal graph attention network with convergent cross mapping for short-term photovoltaic power forecasting

短期光伏发电预测中，本文提出因果图注意力网络（CGAT）与LSTM结合的模型，通过收敛交叉映射（CCM）量化气象因素与光伏发电的因果关系，构建动态因果图并提取时空特征，实验表明该模型在夏季极端天气下RMSE降低5.6%，优于现有方法。

　　

传林|余志辉|陈文豪|林庆华|张成

福建省莆田市莆田学院智能制造学院，邮编351100，中国

摘要

短期光伏功率预测（SPPF）对于可再生能源的电网整合至关重要，但由于气象因素的影响，这一任务仍然具有挑战性。尽管图神经网络（GNN）在捕捉SPPF中的时空相关性方面表现出色，但现有方法忽视了天气因素与光伏（PV）输出之间的因果关系，从而限制了预测的准确性。因此，本文提出了一种因果图注意力网络（CGAT），该网络采用收敛交叉映射（CCM）来计算与光伏功率相关的因素之间的因果强度。首先，我们考虑了光伏发电与气象因素之间的因果关系，构建了一个动态因果图，在该图中，光伏功率和气象因素被表示为节点，因果强度作为边属性。随后，我们利用图注意力网络（GAT）和长短期记忆网络（LSTM）来提取每个时间戳下气象因素与光伏功率之间的空间和时间特征，从而实现准确的SPPF预测。最后，从实际运行的光伏电站获得的实验结果表明，在夏季这种极具挑战性的条件下，所提出模型的预测性能仍然优于现有的最先进模型，其均方根误差（RMSE）降低了5.6%。

引言

近年来，随着“碳峰值”和“碳中和”等目标的确立以及新型电力系统建设的推进，太阳能发电得到了快速发展。根据国家能源管理局的数据，截至2024年9月，我国累计安装的发电容量达到了约31.6亿千瓦，其中太阳能发电的装机容量约为7.7亿千瓦，同比增长了48.3%。在这种情况下，光伏（PV）发电预测具有重要的研究价值：它不仅通过增加PV消费能力和减少系统备用容量带来经济效益，还能减轻光伏发电的随机性对电网的影响。短期光伏功率预测（SPPF）在跟踪实时功率变化[1]方面发挥着关键作用，从而有助于能源调度和优化电网运行[2]。然而，SPPF的特点是不确定性和时空相关性，其瞬时波动和波动性使得预测任务尤为具有挑战性。

SPPF的研究可以分为四大类：物理模型（PM）、统计模型（SM）、机器学习（ML）或深度学习（DL）以及混合模型。利用PM基于气象和光学原理预测太阳辐射涉及开发描述太阳辐射形成和传输的数学模型。Gandoman等人[3]提出了一种基于短期Oktas变化和温度变化的新PM来估计短期PV发电量。Wang等人[4]提出了一种结合地面云图像和混沌特性的超SPPF方法。然而，这种方法需要大量的气象和太阳辐射观测数据，在复杂地形和多变云条件下预测发电量的准确性有限。SM依赖于历史数据进行建模和预测。这种方法不需要复杂的物理模型，仅涉及收集PV发电的历史数据用于预测。例如，Mohammad等人[5]使用高阶马尔可夫链预测了PV系统的发电概率分布函数。Rosen等人[6]提出了一种具有时变转移矩阵的马尔可夫切换模型来预测小时内PV发电量。然而，由于PV发电固有的时空相关性和不确定性，传统的统计方法在预测性能上受到限制。基于ML的预测方法利用算法对历史气象和PV发电数据进行建模和预测。为了提高PV发电预测模型的性能，Li等人[7]提出了一种名为PLSTNet的新型双路径DL模型，用于5分钟窗口内的超SPPF预测。Kim等人[8]开发了三种变压器网络变体用于多步日前PV发电预测。然而，ML算法需要大量数据进行训练，并且模型可解释性较差。基于混合模型（HM）的预测方法结合了多种方法，如将物理模型与统计方法或统计模型与机器学习技术相结合，以提高预测准确性。例如，Rana等人[9]提出了两种预测PV发电量的新方法：一种结合了基于相关性的特征选择（CFS）算法和集成神经网络，另一种结合了CFS和支持向量回归。

无论采用哪种方法，PV发电都具有时空相关性、随机性和波动性。包括温度、湿度、太阳辐照度、光照持续时间和散射在内的多种因素都会影响PV发电。因此，在SPPF中纳入各种相关影响并从中提取额外特征至关重要。在时间和空间相关性方面，图神经网络（GNN）显示出显著的优势[10]。Zhuang等人[11]提出了一种光伏发电预测模型，该模型结合了图卷积网络（GCN）和信息器模型来捕捉各种影响因素之间的关系。Gao等人[12]结合了GCN和长短期记忆（LSTM）网络来识别与太阳辐射最相关的变量。Yin等人[13]使用K最近邻图和GNN挖掘不同天气条件下气象时间数据的非欧几里得特征，从而增强了PV发电预测模型的表达能力。尽管现有的GNN有效地挖掘了PV发电与相关影响因素之间的相关性，但它们尚未解决这些因素之间的因果关系，这限制了SPPF的准确性。

许多研究已经证实，因果关系与相关性不同[14],[15]，因果推理分析的重要性超过了相关性分析[16]。为了确认和探索PV发电与相关影响因素之间的重要关系，许多学者也进行了研究。例如，Aboua等人[17]开发了COA-CNN-LSTM，这是一种混合深度学习模型，利用格兰杰因果关系分析光伏发电与气象因素之间的依赖性。Wang等人[18]引入了协作方向表示，通过揭示输入变量与PV发电之间的因果关系来提高预测过程的透明度。

表1系统地总结了光伏发电预测方法的最新进展。它从研究方法、考虑的气象因素以及是否检查因素之间的关系等方面对这些研究进行了总结。表1的分析揭示了两个关键观察结果：1）气象因素在SPPF框架中始终被优先考虑为重要参数；2）虽然现有的SPPF研究主要集中在因素相关性上，但因果关系研究仍然较少，特别是在基于GNN的方法中。

针对现有GNN方法在SPPF中的局限性，这些方法无法充分建模PV发电与气象因素（PVAMF）之间的因果关系，本研究提出了一种基于新型因果图注意力网络和LSTM（CGAT-LSTM）的创新预测框架。与使用对称邻接矩阵描述变量关系的传统图注意力网络（GAT）不同，我们的工作利用收敛交叉映射（CCM）算法[19]定量分析气象因素与PV发电之间的非对称因果信息流，从而构建了一个物理上可解释的因果邻接矩阵。该矩阵不仅描述了PV-气象系统内多维变量之间的方向性影响强度，还通过因果推断筛选识别了对发电具有显著驱动作用的关键气象特征。

我们方法的核心贡献包括：

• •
  本研究首次将CCM与GNN-LSTM结合，提出了CGAT-LSTM，可以有效捕捉多个时间序列之间的因果和时空关系，旨在提高SPPF的准确性。

• •
  所提出的因果图注意力网络（CGAT）结合了图注意力机制，增强了其学习关键节点特征的能力，同时利用CCM揭示节点之间的因果关系，从而显著提高了模型的特征提取能力。

• •
  实验结果表明，与其他季节和天气模式相比，夏季和雨天条件下光伏发电预测尤其具有挑战性。重要的是，建模PV发电时间序列与气象因素之间的因果关系可以带来比仅依赖相关性分析更好的预测性能。

后续部分的结构如下：第2节介绍了CGAT-LSTM模型的概述。第3节详细介绍了实验设置并讨论了SPPF的结果。最后，第4节总结了研究的主要发现。

节选内容

预测方法的结构

预测方法的结构如图1所示，包括五个步骤：特征选择和Z分数标准化、通过CCM识别因果关系、图构建、通过GAT提取空间特征以及通过LSTM提取时间特征。

步骤1：特征选择和Z分数标准化。实验数据集包括28个影响PV发电的气象因素。我们使用皮尔逊相关性分析识别并选择了7个最重要的因素

实验与结果

实验验证使用了来自中国国家电网公司的光伏电站（内陆平原电站）的运行数据来评估所提出的CGAT-LSTM模型。硬件配置包括Intel Core i5-13600KF处理器、NVIDIA GeForce RTX 3060ti GPU和64 GB内存。实现使用Python 3.8和PyTorch框架完成。

结论

本研究提出了一种新型的因果图注意力网络与LSTM（CGAT-LSTM），用于SPPF，该网络同时捕捉多变量时间序列中的因果依赖性和时空模式，以提高预测准确性。该框架首先使用CCM建立PV输出与气象变量之间的因果图。然后，GAT用于提取更高阶的空间关系，而LSTM模块处理GAT无法捕捉的时间依赖性。

CRediT作者贡献声明

传林：撰写——原始草案，验证，项目管理，方法论。余志辉：可视化，软件，正式分析，数据管理。陈文豪：撰写——审稿与编辑，监督，正式分析，概念化。林庆华：资金获取，数据管理。张成：资源获取，资金获取，数据管理。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争财务利益或个人关系。

致谢

本研究得到了莆田大学高级人才启动基金（2023133）、浙江省哲学和社会科学基金（25NDJC129YB）、福建省科学技术厅指导项目（2024H0023）以及福建省教育厅青年和中年教师教育研究项目（JAT251119）的资助。作者感谢所有审稿人的意见，这些意见有助于提高本文的质量。