（一）成果背景

分布式光伏可在用戶側(cè)就近安裝與消納，減少因長(zhǎng)距離輸送帶來的線路損耗問題，在新型電力系統(tǒng)建設(shè)中發(fā)揮著重要作用。2021年6月，國(guó)家能源局綜合司發(fā)布了《關(guān)于報(bào)送整縣（市、區(qū)）屋頂分布式光伏開發(fā)試點(diǎn)方案的通知》，用以推動(dòng)分布式光伏高質(zhì)量發(fā)展、支撐新型電力系統(tǒng)建設(shè)。在該政策的推進(jìn)下，分布式光伏容量迅猛增長(zhǎng)。截至2021年底，國(guó)內(nèi)分布式光伏裝機(jī)容量已達(dá)到107.5GW，約占光伏總裝機(jī)容量的三分之一，且其增長(zhǎng)速度已經(jīng)超過了集中式光伏。

（二）痛點(diǎn)問題

對(duì)于配電網(wǎng)來說，光伏出力易受天氣因素影響，具有極強(qiáng)的隨機(jī)波動(dòng)特性，大規(guī)模分布式光伏接入，一方面加劇了配電網(wǎng)負(fù)荷短時(shí)波動(dòng)，影響電力實(shí)時(shí)平衡，制約負(fù)荷預(yù)測(cè)精度提升；另一方面，分布式光伏出力特性與負(fù)荷特性的不匹配造成其難以消納，為有源配電網(wǎng)運(yùn)行管理帶來嚴(yán)峻挑戰(zhàn)。

對(duì)于電力市場(chǎng)交易來說，隨著新一輪電力體制改革的持續(xù)深入，分布式光伏所有者作為售電商參與市場(chǎng)競(jìng)爭(zhēng)成為必然趨勢(shì)。分布式光伏出力的不確定性與短時(shí)劇烈波動(dòng)性，使得分布式光伏電站/售電商難以制定合理的市場(chǎng)交易策略與電力交易合同，面臨嚴(yán)重的市場(chǎng)風(fēng)險(xiǎn)。

因此，亟需精準(zhǔn)的分布式光伏功率預(yù)測(cè)，為有源配電網(wǎng)調(diào)度運(yùn)行、分布式光伏消納，分布式光伏參與電力市場(chǎng)等提供有力數(shù)據(jù)支撐。

（三）技術(shù)方案

1、基于變分模態(tài)分解與動(dòng)態(tài)圖卷積網(wǎng)絡(luò)的分布式光伏功率預(yù)測(cè)

首先利用變分模態(tài)分解各分布式光伏復(fù)雜出力序列分解為相對(duì)簡(jiǎn)單、波動(dòng)較小的不同頻率子序列，以減小場(chǎng)站間關(guān)聯(lián)關(guān)系的挖掘難度。然后，基于分布式光伏場(chǎng)站間時(shí)空關(guān)聯(lián)性處于動(dòng)態(tài)變化中的考慮，利用全連接神經(jīng)網(wǎng)絡(luò)將各節(jié)點(diǎn)特征映射到多維空間，而后利用時(shí)域卷積挖掘跨節(jié)點(diǎn)關(guān)聯(lián)關(guān)系，由此以數(shù)據(jù)驅(qū)動(dòng)方式挖掘各頻率下各場(chǎng)站子序列關(guān)聯(lián)性，有效實(shí)現(xiàn)子序列動(dòng)態(tài)圖結(jié)構(gòu)的構(gòu)建。最終，基于可用于非歐式空間結(jié)構(gòu)數(shù)據(jù)建模的卷積神經(jīng)網(wǎng)絡(luò)，將其與動(dòng)態(tài)圖結(jié)構(gòu)結(jié)合，建立考慮動(dòng)態(tài)時(shí)空關(guān)聯(lián)性的圖卷積預(yù)測(cè)模型，針對(duì)不同頻率下出力子序列分別預(yù)測(cè)，而后重構(gòu)得到各場(chǎng)站功率進(jìn)而獲取配電網(wǎng)分布式光伏總功率。

2、基于深度聯(lián)邦學(xué)習(xí)的分布式光伏發(fā)電功率預(yù)測(cè)

首先，基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)構(gòu)建時(shí)域自編碼器模型，該模型編碼器用于提取每個(gè)時(shí)間步輸入的時(shí)域特征，而后利用解碼器將該特征向量轉(zhuǎn)換為輸出序列進(jìn)行未來時(shí)間步的預(yù)測(cè)，自編碼能顯著增強(qiáng)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的時(shí)域建模能力。而后，利用注意力機(jī)制解決其在處理長(zhǎng)輸入時(shí)間序列時(shí)會(huì)導(dǎo)致解碼器面臨特征冗余問題，且使模型聚焦于對(duì)輸出更關(guān)鍵的時(shí)域特征。由此，利用注意力自編碼預(yù)測(cè)模型通過對(duì)時(shí)域特征的有效挖掘?qū)崿F(xiàn)功率預(yù)測(cè)精度的進(jìn)一步提升。

在此基礎(chǔ)上，開發(fā)了用于分布式光伏功率預(yù)測(cè)的聯(lián)邦學(xué)習(xí)框架，在該框架中，本地用戶僅需將本地模型進(jìn)行共享，無需數(shù)據(jù)的傳輸，而后由中央服務(wù)器進(jìn)行模型的聚合以實(shí)現(xiàn)用戶間信息共享。在各本地場(chǎng)站進(jìn)行注意力自編碼預(yù)測(cè)模型的訓(xùn)練；在中央服務(wù)器，基于聯(lián)邦平均算法實(shí)現(xiàn)各本地預(yù)測(cè)模型的匯聚、全局模型的生成與下發(fā)。在保證數(shù)據(jù)隱私性的前提下取得與傳統(tǒng)集中式機(jī)器學(xué)習(xí)訓(xùn)練近似的預(yù)測(cè)效果。

（四）競(jìng)爭(zhēng)優(yōu)勢(shì)

1、有效表征廣域分布式光伏集群間時(shí)空關(guān)聯(lián)特征，實(shí)現(xiàn)分布式光伏功率預(yù)測(cè)精度提升。

當(dāng)缺乏氣象實(shí)測(cè)或預(yù)報(bào)數(shù)據(jù)時(shí)，考慮分布式光伏時(shí)空相關(guān)性可有效提升分布式光伏功率預(yù)測(cè)精度。現(xiàn)有研究多利用各光伏場(chǎng)站地理距離或者整體出力表征時(shí)空相關(guān)性。這種靜態(tài)建模方式在分布式光伏出力模式長(zhǎng)期穩(wěn)定的情況下，可以取得較好的預(yù)測(cè)效果。然而，易受天氣因素的影響，分布式光伏出力極易發(fā)生短時(shí)波動(dòng)，因而各場(chǎng)站關(guān)聯(lián)性處于動(dòng)態(tài)變化過程。以恒定的場(chǎng)站間關(guān)聯(lián)關(guān)系去考慮這種復(fù)雜的集群出力序列，顯然無法反映天氣影響下分布式光伏出力短時(shí)變化，難以實(shí)現(xiàn)功率預(yù)測(cè)精度的有效提升。

所提的基于變分模態(tài)分解與動(dòng)態(tài)圖卷積網(wǎng)絡(luò)的分布式光伏功率預(yù)測(cè)方法，利用數(shù)據(jù)驅(qū)動(dòng)方式實(shí)現(xiàn)挖掘各場(chǎng)站間關(guān)聯(lián)特性的動(dòng)態(tài)實(shí)時(shí)挖掘。在基礎(chǔ)上，考慮到不同模態(tài)分量下各場(chǎng)站間關(guān)聯(lián)關(guān)系的差異性，將各場(chǎng)站原始功率分解為了相對(duì)簡(jiǎn)單、波動(dòng)較小的不同頻率模態(tài)分量，減小關(guān)聯(lián)關(guān)系的挖掘難度。

2、有效保證各分布式光伏數(shù)據(jù)隱私性，且能取得與傳統(tǒng)集中式機(jī)器學(xué)習(xí)訓(xùn)練方式近似的預(yù)測(cè)效果

現(xiàn)有的數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)方法性能在很大程度上依賴于訓(xùn)練數(shù)據(jù)的數(shù)量，因此大多以一種集中的訓(xùn)練方式實(shí)現(xiàn)，即中央服務(wù)器匯聚來自各場(chǎng)站的運(yùn)行數(shù)據(jù)而后進(jìn)行模型的訓(xùn)練。然而，這種集中訓(xùn)練的方式會(huì)期限數(shù)據(jù)隱私，使用戶信息暴露在公共環(huán)境而導(dǎo)致被外部攻擊者進(jìn)行數(shù)據(jù)分析、行為探測(cè)等。此外，在競(jìng)爭(zhēng)激烈的電力市場(chǎng)中，分布式光伏場(chǎng)站所有者可能不愿共享數(shù)據(jù)。這些因素使傳統(tǒng)模型訓(xùn)練方式難以實(shí)現(xiàn)。

所提的基于深度聯(lián)邦學(xué)習(xí)的分布式光伏發(fā)電功率預(yù)測(cè)方法，利用注意力自編碼模型在本地場(chǎng)站進(jìn)行建模預(yù)測(cè)，實(shí)現(xiàn)對(duì)本地功率時(shí)域特征的有效挖掘；利用分散式訓(xùn)練的聯(lián)邦學(xué)習(xí)框架，實(shí)現(xiàn)各場(chǎng)站預(yù)測(cè)模型信息共享，有效保證本地用戶的數(shù)據(jù)隱私的同時(shí)取得不錯(cuò)的預(yù)測(cè)效果。

2、在保障各分布式光伏站點(diǎn)數(shù)據(jù)隱私應(yīng)的前提現(xiàn)實(shí)現(xiàn)信息共享。利用自編碼結(jié)構(gòu)進(jìn)一步提升LSTM的時(shí)間序列建模能力；利用注意力機(jī)制模型聚焦于對(duì)預(yù)測(cè)更關(guān)鍵的輸入特征，以此實(shí)現(xiàn)時(shí)域特征的有效挖掘。在此基礎(chǔ)上，利用聯(lián)邦學(xué)習(xí)框架聚合各本地模型，實(shí)現(xiàn)各站點(diǎn)信息聚合，實(shí)現(xiàn)精度有效提升。