基于DGAT-Transformer组合算法的区域光伏出力数据质量增强与超短期功率预测方法

任惠; 于光发; 强涵悦; 王飞; 甄钊; 常喜强

doi:10.19912/j.0254-0096.tynxb.2024-2352

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于DGAT-Transformer组合算法的区域光伏出力数据质量增强与超短期功率预测方法

更新时间：2026-07-21

- 基于DGAT-Transformer组合算法的区域光伏出力数据质量增强与超短期功率预测方法
- 基于DGAT-Transformer组合算法的区域光伏出力数据质量增强与超短期功率预测方法
- 太阳能学报 2026年47卷第5期页码：639-649
- 作者机构：
- 作者简介：
- 基金信息：
- DOI：10.19912/j.0254-0096.tynxb.2024-2352
  中图分类号： TM615
- 网络首发：2026-06-04，
  
  纸质出版：2026
- 稿件说明：
移动端阅览
任惠, 于光发, 强涵悦, 等. 基于DGAT-Transformer组合算法的区域光伏出力数据质量增强与超短期功率预测方法[J]. 太阳能学报, 2026,47(5):639-649.

任惠, 于光发, 强涵悦, et al. 基于DGAT-Transformer组合算法的区域光伏出力数据质量增强与超短期功率预测方法[J]. 2026, 47(5): 639-649.
任惠, 于光发, 强涵悦, 等. 基于DGAT-Transformer组合算法的区域光伏出力数据质量增强与超短期功率预测方法[J]. 太阳能学报, 2026,47(5):639-649. DOI： 10.19912/j.0254-0096.tynxb.2024-2352.

任惠, 于光发, 强涵悦, et al. 基于DGAT-Transformer组合算法的区域光伏出力数据质量增强与超短期功率预测方法[J]. 2026, 47(5): 639-649. DOI： 10.19912/j.0254-0096.tynxb.2024-2352.

摘要

针对区域内各电站的光伏数据存在不同程度的缺失值而导致预测精度低的问题

提出基于时空关联性与动态图注意力网络建模的光伏功率缺失数据填充和基于周期—趋势分量解耦模型的分布式光伏功率预测的新方法框架。首先基于贝叶斯算法优化后的变分模态分解模型对光伏功率分解为多个趋势平稳的子序列

并将对应子序列合并构造特征矩阵。其次

提出基于动态图注意力网络和Transformer组合模型

提高对特征矩阵在时空双维度上动态关联关系表征的准确性

并利用此模型对缺失时刻各个子序列预测后加以重构

得到光伏电站的完备数据集。最后

引入基于变分推断原理的周期—趋势分量解耦的预测模型（LaST）

将光伏功率分解为周期性分量与趋势性分量

分别预测后加以重构

以提高光伏预测精度。仿真结果验证了该文所提方法获得的数据集真实性更高

并以此作为训练样本的预测精度显著优于其他方法

同时验证了LaST模型相较于传统算法在光伏预测中的优越性能。

Abstract

To address the decline in prediction accuracy caused by varying degrees of missing photovoltaic data across regional power stations

this paper proposes a novel framework that integrates photovoltaic power data imputation based on spatiotemporal correlation and dynamic graph attention network modeling with distributed photovoltaic power prediction leveraging a period-trend component decoupling approach. Specifically

a variational mode decomposition （VMD） model optimized via Bayesian algorithms is first employed to decompose the photovoltaic power series into multiple trend-stationary subsequences

which are then merged to form a comprehensive feature matrix. Subsequently

a hybrid model combining a dynamic graph attention network and Transformer is developed to more accurately capture the dynamic correlations within the feature matrix across spatiotemporal dimensions. This model is utilized to predict and reconstruct the missing subsequences

resulting in a complete photovoltaic dataset. Finally

a prediction model based on the principle of variational inference

termed the period-trend component decoupling model （LaST）

is introduced to further decompose the photovoltaic power into periodic and trend components. These components are individually modeled and predicted before being reconstructed to enhance overall prediction accuracy. Simulation results validate that the proposed method generates datasets with higher fidelity

which

when used as training samples

significantly improve prediction performance. Moreover

the superiority of the LaST model over conventional approaches in photovoltaic power forecasting is also demonstrated.

关键词

Keywords

references

阮呈隆, 李康平, 李正辉, 等. 分布式光伏集群功率短期预测的空间互补特性初探[J]. 电力系统自动化, 2024, 48(3): 42-50.

王蒙, 张文朝, 汪莹, 等. 高比例光伏接入的电力系统暂态过电压控制策略[J]. 太阳能学报, 2023, 44(10): 148-155.

DAI Y M, YU W J, LENG M M.A hybrid ensemble optimized BiGRU method for short-term photovoltaic generation forecasting[J]. Energy, 2024, 299: 131458.

王玉庆, 徐飞, 刘志坚, 等. 基于动态关联表征与图网络建模的分布式光伏超短期功率预测[J]. 电力系统自动化, 2023, 47(20): 72-82.

FENG H F, YU C S.A novel hybrid model for short-term prediction of PV power based on KS-CEEMDAN-SE-LSTM[J]. Renewable energy focus, 2023, 47: 100497.

ZHANG J J, HONG L Q, IBRAHIM S N, et al.Short-term prediction of behind-the-meter PV power based on attention-LSTM and transfer learning[J]. IET renewable power generation, 2024, 18(3): 321-330.

王福忠, 王帅峰, 张丽. 基于VMD-LSTM与误差补偿的光伏发电超短期功率预测[J]. 太阳能学报, 2022, 43(8): 96-103.

LI G Z, DING C J, ZHAO N N, et al.Research on a novel photovoltaic power forecasting model based on parallel long and short-term time series network[J]. Energy, 2024, 293: 130621.

CHEN Y, LI X L, ZHAO S G.A novel photovoltaic power prediction method based on a long short-term memory network optimized by an improved sparrow search algorithm[J]. Electronics, 2024, 13(5): 993.

王晓霞, 俞敏, 霍泽健, 等. 基于近邻传播聚类与LSTNet的分布式光伏电站群短期功率预测[J]. 电力系统自动化, 2023, 47(6): 133-141.

HERRERA CASANOVA R, CONDE A.Enhancement of LSTM models based on data pre-processing and optimization of Bayesian hyperparameters for day-ahead photovoltaic generation prediction[J]. Computers and electrical engineering, 2024, 116: 109162.

余晓霞, 汤宝平, 王伟影, 等. 复杂工况条件下多头注意力双向长短时记忆网络的风电机组缺失数据修复方法研究[J]. 机械工程学报, 2023, 59(14): 1-9.

毛嘉铭, 刘光宇, 罗凯元. 结合数据增强及组合算法的短期光伏功率预测[J]. 电力系统及其自动化学报, 2024, 36(8): 133-141.

ZHONG S P, WANG X M, XU B, et al.Hybrid network model based on data enhancement for short-term power prediction of new PV plants[J]. Journal of modern power systems and clean energy, 2024, 12(1): 77-88.

王剑斌, 傅金波, 陈博. 基于强化学习的多模型融合光伏发电功率预测方法[J]. 太阳能学报, 2024, 45(6): 382-388.

尹晓敏, 孟祥剑, 侯昆明, 等. 一种计及空间相关性的光伏电站历史出力数据的修正方法[J]. 山东大学学报(工学版), 2021, 51(4): 118-123.

乔颖, 孙荣富, 丁然, 等. 基于数据增强的分布式光伏电站群短期功率预测(一): 方法框架与数据增强[J]. 电网技术, 2021, 45(5): 1799-1808.

LAI W Z, ZHEN Z, WANG F, et al.Sub-region division based short-term regional distributed PV power forecasting method considering spatio-temporal correlations[J]. Energy, 2024, 288: 129716.

杨晶显, 张帅, 刘继春, 等. 基于VMD和双重注意力机制LSTM的短期光伏功率预测[J]. 电力系统自动化, 2021, 45(3): 174-182.

WANG G, JIA R, LIU J H, et al.A hybrid wind power forecasting approach based on Bayesian model averaging and ensemble learning[J]. Renewable energy, 2020, 145: 2426-2434.

董俊, 刘瑞, 束洪春, 等. 基于BIRCH聚类的L-Transformer分布式光伏短期发电功率预测[J]. 高电压技术, 2024, 50(9): 3883-3893.

黄冬梅, 陈欢, 王宁, 等. 基于自适应图注意力网络的短期用户负荷预测[J]. 电力系统保护与控制, 2023, 51(20): 140-149.

王维高, 魏云冰, 滕旭东. 基于VMD-SSA-LSSVM的短期风电预测[J]. 太阳能学报, 2023, 44(3): 204-211.

黄旭锐, 于丰源, 杨波, 等. 基于Transformer网络和多任务学习的园区综合能源系统电-热短期负荷预测方法[J]. 南方电网技术, 2023, 17(1): 152-160.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于HGS-VMD-ENN的光伏发电功率超短期混沌预测模型

一种高分辨率的光伏短期功率预测模型

基于VMD-T2V-Transformer的太阳辐射预测

基于改进VMD和SNS-Attention-GRU的短期光伏发电功率预测

基于相似日聚类和PCC-VMD-SSA-KELM模型的短期光伏功率预测