光伏发电受到太阳辐射周期、地理环境及各种气象因素变化的影响，对其进行准确的建模和特性分析是一个多影响因素的数学难题。准确的预测光伏发电功率可以使电力调度部门及时调整调度计划，提高电网运行的经济性和稳定性，促进新能源消纳。
光伏发电是一个连续不断的过程，光伏发电数据作为一个典型的时间序列，不仅是非线性的，而且具有时间相关性。光伏发电功率每时刻的变化不仅取决于当前时刻，还取决于过去时刻。
有学者提出基于多维时间序列的光伏发电功率预测方法，采用相关性分析对不同时间尺度的光伏功率序列进行分析，然后利用支持向量回归方法建立光伏功率预测模型。但在天气类型突变的情况下，模型的预测精度不高。有学者建立了基于差分整合移动平均自回归模型（Autoregressive Integrated Moving Average Model, ARIMA）与支持向量机的分布式光伏功率预测模型，并在不同天气类型下进行案例分析，但由于缺乏对空间特征的提取，模型精度有待进一步提升。
每个光伏电站具有独特的地理空间位置，光伏发电功率具有空间相关性。对于临近地区的多个光伏电站而言，由于地理位置条件相近，且在相似的天气、气温等气象条件作用下，光伏电站输出功率呈现一定程度的相似性。
针对光伏电站时空相关性的研究，有学者提出一种深度时空特征提取的光伏发电功率预测模型，针对邻近区域的光伏电站进行图建模，使用长短期记忆（Long Short-Term Memory, LSTM）模型进行时间特征提取，使用图卷积原理提取电站的空间特征。但是由于分布式光伏电站具有强空间性，图机器学习还应该结合地理方位和云层运动，以达到更加精准的预测效果。
有学者利用聚类方法对大规模区域光伏电站进行分块形成群光伏电站，然后进一步筛选群光伏电站中与待预测电站具有空间相关性的光伏电站，建立自回归滑动平均模型（Auto-Regression and Moving Average, ARMA）实现对光伏发电功率的预测。模型具有一定的预测能力，但随着预测时长的增加预测精度下降。
现有工作大多依赖光伏电站气象装置量测的气象数据或者数值天气预报（Numerical Weather Prediction, NWP）中的气象数据，仅采用某些针对性特征进行功率预测，缺乏对多源数据信息的有效利用。
国网河北省电力有限公司等单位的研究人员结合电站实测数据和NWP数据，基于灰色关联分析和GeoMAN（Geo-sensory Multi-level Attention Networks）模型，提出一种动态时空特征提取和外部气象因素融合的光伏发电功率短期预测方法。
图1 GeoMAN功率预测模型框架
图2 该文所提的光伏发电功率短期预测他们采用灰色关联分析对所有电站进行相关性分析，选取与待预测光伏电站高度相关的周边电站。然后基于待预测光伏电站和周边相关电站的信息，利用GeoMAN模型实现对光伏发电功率的短期预测。GeoMAN模型采用编解码器架构，编码器包含站内特征注意力机制，站间空间注意力机制和LSTM，以提取待预测光伏电站的站内局部特征和与周边相关电站的站间空间特征。解码器包含时间注意力机制和LSTM，从而预测光伏发电功率。外部气象模块融合了晴空指数和NWP数据，进一步提升光伏发电功率预测精度。
算例分析结果表明，所述模型较LSTM模型具有更高的精度，说明基于灰色关联分析和GeoMAN的光伏发电功率短期预测模型应用于光伏发电功率预测的可行性和高效性，可以满足短期实时调度需求。
