《ENERGY AND BUILDINGS》:Deep spatio-temporal modeling for improved wind and solar power forecasts in power grid integration
编辑推荐:
区域可再生能源时空预测模型研究|自适应图注意力机制|LSTM融合架构|西北地区风能太阳能预测|动态空间关系建模
王月超|赵继忠|唐东来|赵伟杰|黄珊
西安交通大学计算机科学与技术学院,中国西安710049
摘要
准确预测区域可再生能源产量是可持续能源系统规划和电网管理的关键要求。本研究介绍了一种自适应时空图神经网络与长短期记忆网络(ASTGNN-LSTM)相结合的模型,该模型旨在模拟中国西北地区风能和太阳能发电的复杂空间动态和长期时间变化。该模型采用自适应图注意力机制来捕捉地区间的相互依赖关系,而堆叠的LSTM层则从多变量气象数据中提取时间模式。通过使用NASA POWER数据集的多年日观测数据对模型进行评估,结果表明,ASTGNN-LSTM框架的性能显著优于基准模型,太阳能预测的均绝对百分比误差(MAPE)为6.03%,风能预测的MAPE为22.18%,相应的R2分数分别为0.954和0.518。与ARIMA、历史平均值和GNN-LSTM模型相比,ASTGNN-LSTM的优越性得到了验证。敏感性和可解释性测试进一步证实了关键气象因素的物理意义。总体而言,这些结果突显了ASTGNN-LSTM模型在可靠可再生能源预测和制定区域能源策略方面的有效性。
引言
随着可再生能源(尤其是风能和太阳能)的日益普及,它们给现代电力系统带来了诸多运营挑战[1]。与传统发电方式不同,可再生能源具有自然波动性,并且受大气过程(如天气尺度环流、边界层热力学、云层覆盖和地形效应)的影响[2]。这些因素导致了高度的空间和时间异质性,使得电网稳定性、调度安排和长期能源规划变得更加复杂。因此,准确的区域预测对于将可再生能源有效整合到大型电力系统中至关重要[3]。
传统的预测方法(包括线性回归、支持向量回归(SVR)和自回归积分移动平均(ARIMA)模型)仍被广泛使用,因为它们易于理解和应用。然而,这些方法难以捕捉可再生能源系统的非线性、非平稳性和空间相关性。具体来说,大多数传统时间序列模型假设地理位置是孤立的,没有考虑地区间的大气相互作用,而这些相互作用会影响能源生产的空间分布。
深度学习的最新进展在模拟大规模数据集的非线性时间依赖性方面表现出了更好的性能[5]。前馈神经网络(FNNs)、循环神经网络(RNNs)、深度信念网络(DBNs)和长短期记忆网络(LSTM)等架构在预测可再生能源输出方面取得了令人鼓舞的结果,因为它们能够模拟时间序列数据中的长期序列交互。然而,大多数深度学习模型主要基于时间维度,缺乏对地理分散区域之间显式空间关系的处理。
基于图的学习模型(包括图神经网络(GNNs)提供了一种以图结构形式建模空间关系的方法[6]、[7]。基于GNN的方法通过将位置表示为节点并通过邻接矩阵连接这些节点来建模地区间相互作用。然而,当前大多数应用依赖于固定或不变的邻接矩阵,这无法适应由于气象变化、天气尺度环流的变化以及地形导致的空间关系的动态变化。
本研究提出了一种ASTGNN-LSTM模型来解决这些限制,并预测区域可再生能源产量。该模型结合了自适应图注意力模型和堆叠的LSTM层,能够同时学习多变量气象数据中的动态空间和长期时间变化。与传统基于图的模型不同,自适应图组件能够直接从数据中学习地区间的连通性[8]。
该模型使用NASA POWER数据库中关于中国西北地区五个区域的约20年日气象数据进行训练和测试,这些地区具有复杂的气候异质性和地形驱动的大气动态。实验结果表明,ASTGNN-LSTM在风能和太阳能预测方面的性能优于传统的统计基线(ARIMA和历史平均值)和基于图的深度学习模型(GNN-LSTM)。除了预测准确性外,该框架还包括敏感性分析、消融分析和可解释性研究,以提供对主要气象因素和空间关系的物理理解。
本研究的主要贡献总结如下:
•提出了一种新颖的ASTGNN–LSTM预测架构,将自适应空间图学习与多头时间序列建模相结合,以捕捉可再生能源系统中的复杂时空依赖性。
•引入了一种动态邻接学习机制,在训练过程中利用学习到的节点嵌入自适应地优化空间图,使模型能够捕捉超出静态距离图的限制的演变中的地区间气象依赖性。
•开发了一种解耦的空间-时间学习框架,其中空间依赖性通过自适应图学习提取,而时间动态则通过带有时间注意力的堆叠LSTM层进行建模,从而提高了训练稳定性和长预测能力。
•进行了全面的实验和可解释性分析,包括与经典统计模型和基于图的神经网络的比较,以及敏感性分析、SHAP分析和消融分析,以解释气象变量对可再生能源产量的影响。
总体而言,所提出的框架可以被视为一种可扩展、可解释的、基于气象数据的解决方案,适用于地理异质环境中的大规模可再生能源预测,有助于提高电网整合和能源规划的可靠性。
数据概述与准备
收集了中国西北地区52个城市的气象观测数据,涵盖新疆、甘肃、宁夏、青海和山西等省份。这些省份涵盖了多种地理和气候环境,包括干旱的沙漠盆地(新疆)、高海拔高原地区(青海)、山区(甘肃)以及半干旱大陆性气候(宁夏和山西)。这种空间多样性带来了不同的气象条件
性能指标
模型的准确性和可靠性通过常用的指标进行衡量,包括均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)、均绝对百分比误差(MAPE)和决定系数(R2)。这些指标能够全面反映预测性能和回归质量。
MAE和MAPE是衡量标准误差的指标。MAPE以实际值的百分比形式表示,反映了相对准确性,而MAE
讨论
所提出的ASTGNN-LSTM模型旨在通过有效捕捉长期气象数据中的复杂空间和时间依赖性,提高区域风速和太阳辐射的预测精度。实验结果表明,该模型在可再生能源预测任务中始终优于传统的统计方法和基准深度学习方法。
结论
ASTGNN-LSTM模型结合了空间学习和序列建模,利用时间序列、动态图注意力和多头时间注意力。这种组合能够描述风能和太阳能发电中的复杂时空关系,从而实现高度准确、适应性强且适用于广泛气候条件的区域级预测。
实验结果表明,ASTGNN-LSTM模型的性能优于
CRediT作者贡献声明
王月超:概念构思、方法论、初稿撰写。
赵继忠:数据整理、正式分析。
唐东来:调查、验证。
赵伟杰:撰写——审稿与编辑、初稿撰写、监督。
黄珊:监督、撰写——审稿与编辑。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。