利用新型预测方法，提高光伏发电预测方法的精确性，从而更好的帮助提高发电效率，保证电网的稳定运行。

本项目将以神经网络和大气科学知识为基础，通过构建LSTM网络、GCN网络等，基于历史光伏发电数据，对未来一段时间内的光伏发电功率做预测。

传统的光伏发电预测主要有两种方法：1、以物理模型为基础的直接测量方法；2、以过去一段时间的历史数据为基础的间接测量方法。YOUSSEF等人提出小波神经网络的光伏功率预测，但是未充分考虑历史数据的时间相关性。乔颖等人提出卷积神经网络（convolutional neural networks,CNN）和循环神经网络在光伏发电功率预测中起到了较好的作用。李建红等人提出通过对历史气象数据进行处理，选取最为相似的气象天气进行光伏发电功率的预测。ABDEL-NASSER等人提出了LSTM-RNN新型深度学习网络的光伏发电预测模型，LSTM是在RNN基础进行了改进，LSTM可以使用在先前时间步骤中学习到的信息来预测当前值，从而产生可靠而准确的预测结果。以上都是区别于直接测量方法，通过深度学习发现深层的特征来进行功率预测，取得了较好的预测效果。各种基于循环神经网络的光伏功率预测模型可以在时间维度上抓取光伏发电功率变化的时序信息，从而预测未来一段时间的发电功率，但缺少了对于空间维度上大量拓扑信息的提取。

交叉学科内容，结合人工智能和大气科学专业的知识方法，以人工智能神经网络知识为主体，对光伏发电进行预测，同时结合气象变量间的物理关系初始化不同节点表示和节点之间的拓扑关系，并通过图神经网络对节点表示和拓扑关系其进行优化，得到科学合理经气象参数优化后的拓扑图，辅助神经网络进行光伏发电功率的预测。

技术路线：

本项目利用LSTM循环神经网络刻画光伏发电功率的时序信息，另一方面，通过当前区域不同地点的光照强度与发电板的特征构建图神经网络探索光伏发电规律拓扑图，从神经网络特点和气象变量间的物理关系出发，设计对抗性损失函数自发在训练未来光伏发电功率的同时训练图神经网络的参数，优化带有<实体，关系，实体>的拓扑图中节点和关系的表示，达到从时间和空间两个维度上对未来光伏发电功率进行预测与拟合。

预期成果：

2023年4月—2023年7月

由项目负责人和组员一起查找和阅读相关文献，初步构建气象要素对光伏发电影响模式，通过数学物理模型与数值天气预报从不同程度提高模式精度，并根据前期资料，制定较为规范完整的项目研究实施方案。

2023年7月—2023年10月

设计对抗性损失函数自发在训练未来光伏发电功率的同时训练图神经网络的参数，优化带有<实体，关系，实体>的拓扑图中节点和关系的表示，达到从时间和空间两个维度上对未来光伏发电功率进行预测与拟合，并开始学术论文的撰写。

2023年10月一2024年1月

通过运用Matlab、Python、Grads 等软件，使用气象变量之间的物理关系初始化不同节点表示和节点之间的拓扑关系，并通过图神经网络对节点表示和拓扑关系进行优化，得到通过气象参数优化后的拓扑图，辅助神经网络进行光伏发电功率的预测。

2024年1月—2024年4月

完成学术论文以及研究报告的撰写和投稿，参加全国高校学科竞赛并申请专利。

最终预期成果:

1.撰写学术论文并投稿

2.申请专利

3.参加学科竞赛并获省级以上奖项

1、第一阶段：准备阶段(2023年1月——2023年5月)

(1)组建项目团队，确定研究课题，撰写项目报告。

(2)制定研究方案，完成前期文献资料整理汇总。

2、第二阶段：研究阶段(2023年5月——2024年1月)

(1)整合文献资料，收集历史相关数据集。

(2)设计对抗性损失函数,初步训练图神经网络。

(3)绘制气象变量间的拓扑图，优化图神经网络。

3、第三阶段：结题阶段(2024年1月——2024年4月)

(1)进行内部评估。

(1)整理研究数据，完成学术论文以及研究报告的撰写和投稿。