一種基于GCN的光伏短期出力預(yù)測方法研究

摘 要：為提高光伏短期出力預(yù)測精確問題，提出一種基于圖卷積神經(jīng)網(wǎng)絡(luò)（GCN）的光伏短期出力預(yù)測方法。首先，構(gòu)建考慮多氣象影響因素的光伏短期出力模型，開展光伏出力影響因素和出力特性分析。其次，對光伏出力歷史時序數(shù)據(jù)進行圖形化轉(zhuǎn)換和數(shù)據(jù)重構(gòu)，構(gòu)建鄰接矩陣并提取光伏短期出力圖形化特征數(shù)據(jù)。在多時間尺度場景下，建立基于GCN的光伏出力預(yù)測模型，并與基于長短期記憶網(wǎng)絡(luò)（LSTM）、反向傳播網(wǎng)絡(luò)（BP）、圖注意力模型（GAT）等算法的預(yù)測模型做比對分析。最后，以某地區(qū)光伏出力實測數(shù)據(jù)開展仿真驗證研究，仿真結(jié)果表明所提方法具有良好的預(yù)測效果。

關(guān)鍵詞：光伏發(fā)電；圖卷積神經(jīng)網(wǎng)絡(luò)；圖形數(shù)據(jù)結(jié)構(gòu)；多時間尺度

中圖分類號：TM914.4" " " " " " " " " 文獻標(biāo)志碼：A

DOI：10.19912/j.0254-0096.tynxb.2023-0423

文章編號：0254-0096（2024）08-0289-06

1. 南京工程學(xué)院電力工程學(xué)院，南京 211167；

2. 智能電網(wǎng)保護和運行控制國家重點實驗室，南瑞集團（國網(wǎng)電力科學(xué)研究院）有限公司，南京 211106；

3. 國網(wǎng)江蘇省電力有限公司淮安供電分公司，淮安 223001

0 引 言

近年來，光伏類清潔能源電源發(fā)展迅速，其大規(guī)模接入對電網(wǎng)安全穩(wěn)定運行和管理帶來一定影響，如高比例光伏接入所引起的電壓頻繁波動以及越限等問題。因此，需要更好地掌握光伏出力特性及其主要影響因素，提高光伏短期出力的預(yù)測精度，提升分布式電源集群韌性和調(diào)控能力。然而，影響光伏出力影響因素多，不同氣象因素下光伏出力不同。同時，光伏出力時序數(shù)據(jù)間復(fù)雜的相關(guān)性也給其短期功率預(yù)測精度提升帶來一定難度。為解決上述問題，可考慮采用深度學(xué)習(xí)算法來挖掘光伏歷史出力數(shù)據(jù)不同時刻間的相互關(guān)系并進行光伏出力預(yù)測。文獻［1］針對光伏時間序列間的相互關(guān)系問題，采用經(jīng)驗?zāi)B(tài)算法改進光伏出力預(yù)測算法，提高了光伏出力預(yù)測精度。由于光伏歷史時序數(shù)據(jù)多呈現(xiàn)非線性映射關(guān)系，因此常采用機器學(xué)習(xí)方法挖掘出力數(shù)據(jù)間相關(guān)性。文獻［2］考慮天氣類型對光伏出力的影響，采用布谷鳥優(yōu)化局部回歸網(wǎng)絡(luò)（Elman）構(gòu)建不同天氣下光伏發(fā)電短期出力預(yù)測模型，通過與實際出力值比對發(fā)現(xiàn)所提模型在不同天氣下都具有較好的預(yù)測效果；文獻［3-4］針對傳統(tǒng)單一反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)預(yù)測光伏出力誤差較大的問題，分別提出狼群檢測算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)和基于粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的光伏出力預(yù)測模型，二者在光伏短期預(yù)測精度上均有提高；文獻［5］提出一種改進時間卷積網(wǎng)絡(luò)的光伏短期出力概率預(yù)測方法，對光伏出力歷史時序數(shù)據(jù)進行分解，利用核密度函數(shù)得到分解后的光伏出力序列不同概率密度曲線，有效提高了光伏短期出力預(yù)測精度；文獻［6］采用極端梯度提升方法對光伏出力進行初步預(yù)測，同時基于誤差導(dǎo)數(shù)法融合長短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）實現(xiàn)光伏出力的組合預(yù)測，結(jié)果驗證了該方法具有較高的預(yù)測準(zhǔn)確率；文獻［7］針對光伏出力受天氣因素影響的問題，通過改進經(jīng)驗?zāi)B(tài)分解優(yōu)化LSTM網(wǎng)絡(luò)，提高了在不同天氣影響下光伏短期出力預(yù)測精度；文獻［8］針對電力系統(tǒng)中光伏裝機容量的不斷提升，采用改進互信息方法提取光伏預(yù)測特征值，提出概率區(qū)間分布方法使特征變量離散化，最后基于擴散核密度估計（diffusion kernel density estimation，DKDE）算法對光伏進行短期出力預(yù)測。上述人工智能算法在分析光伏出力預(yù)測時間相關(guān)性方面有較好效果，但在挖掘不同光伏電站出力間的空間相關(guān)性性能方面較為薄弱。為分析不同光伏電站出力相關(guān)性，可采用圖網(wǎng)絡(luò)方法對光伏電站出力空間結(jié)構(gòu)上進行建模，構(gòu)建關(guān)聯(lián)矩陣挖掘不同光伏電站出力信息［9］；文獻［10］針對不同光伏電站間出力特征提取問題，采用圖結(jié)構(gòu)方式提取分布式光伏出力特征，該方法可獲得更為全面的光伏出力特征。

上述文獻針對光伏出力預(yù)測問題，分析了光伏出力特性并提出光伏出力預(yù)測模型，但所提的BP和LSTM光伏出力預(yù)測模型，在對光伏出力進行預(yù)測時對前一時刻光伏歷史數(shù)據(jù)的依賴性較強，同時未考慮不同光伏電站出力間相關(guān)性?；诖耍緩娜殖霭l(fā)，考慮光伏各時段間出力的相關(guān)性，計及不同光伏電站光伏出力空間關(guān)聯(lián)系數(shù)，提出一種基于圖卷積神經(jīng)網(wǎng)絡(luò)（graph convolutional network，GCN）的光伏短期出力預(yù)測模型，并開展相關(guān)分析與驗證研究。

1 光伏出力特性分析

光伏出力具有隨機性高、波動性強等特點，考慮到光伏電源出力特性和數(shù)據(jù)獲取難度，選取太陽輻照度、溫度、風(fēng)速、濕度和天氣類型等作為光伏短期出力影響指標(biāo)。其中，太陽輻照度對光伏出力影響強度高，溫度、風(fēng)速和濕度等指標(biāo)對光伏出力影響強度次之。

1.1 不同天氣光伏出力特性

在構(gòu)建光伏出力數(shù)學(xué)模型前，需對光伏出力各影響因素指標(biāo)賦權(quán)，光伏短期出力影響因素[αg=[α1，α2，…，αn]T]指標(biāo)權(quán)重可用式（1）和式（2）進行計算：

[ωg=1-Kgm-gmKg] （1）

[fg=αgg=1nαg] （2）

式中：[ωg]——光伏出力各影響因素指標(biāo)權(quán)重；[m]——各影響指標(biāo)評價數(shù)量；[Kg=-1lnng=1nfg][lnfg]，并假設(shè)[fg=0]時，[fglnfg=0]；[fg]——第[g]個光伏出力影響因素的特征指標(biāo)；[αg]——光伏出力影響因素指標(biāo)，根據(jù)不同天氣類型對相應(yīng)的天氣類型賦權(quán)；[n]——光伏出力影響因素指標(biāo)數(shù)量。

選取一組光伏出力影響因素權(quán)重值［11］如表1所示，可結(jié)合氣象監(jiān)測數(shù)據(jù)分析光伏不同天氣情況下的出力特性曲線。

光伏出力函數(shù)：

[ft=g=1nωgαg，" g=1，2，…，n] （3）

式中：[f（t）]——光伏出力函數(shù)。

基于所構(gòu)建的光伏出力函數(shù)，分析光伏電源在不同天氣情況下出力特性曲線。

如圖1所示，晴天時太陽輻照度強，光伏出力高，且出力曲線較為平穩(wěn)，多云時光伏出力較低，出力曲線較陡，而陰天時光伏出力弱，且出力曲線陡。晴天和多云天氣下，光伏出力最高點集中在13：00附近，出力曲線呈現(xiàn)“山”狀。而陰天時，受天氣不確定因素影響，光伏最大出力點不確定，出力曲線隨機性較強。

1.2 光伏出力圖形化數(shù)據(jù)重構(gòu)

光伏電站出力預(yù)測涉及時間和空間位置兩重要因素，且光伏出力受環(huán)境等不確定因素影響，出力數(shù)據(jù)具有偶然性且呈現(xiàn)出不規(guī)則性，增加了光伏短期出力預(yù)測難度。針對光伏出力預(yù)測隨機性問題，傳統(tǒng)BP、LSTM等算法以歷史時序數(shù)據(jù)輸入，對不同光伏電站在空間維度上出力特征挖掘不足；從數(shù)據(jù)結(jié)構(gòu)上此類深度學(xué)習(xí)算法對前一時刻的歷史出力數(shù)據(jù)依賴性較高，單一時刻數(shù)據(jù)與其他各時刻數(shù)據(jù)相關(guān)性弱，所提取的出力特征不夠全面，影響出力預(yù)測精度。通過將光伏出力時序數(shù)據(jù)轉(zhuǎn)化為圖結(jié)構(gòu)數(shù)據(jù)，可進一步更深層次挖掘光伏出力數(shù)據(jù)間時空特征，圖2所示為一組光伏時序數(shù)據(jù)的圖形化處理結(jié)果。

如圖3所示，采用圖結(jié)構(gòu)方式重構(gòu)光伏歷史出力數(shù)據(jù)。首先，將歷史光伏出力時間序列各時間節(jié)點轉(zhuǎn)化為圖結(jié)構(gòu)數(shù)據(jù)對角矩陣各元素；其次，考慮各時間節(jié)點間相互影響關(guān)系，構(gòu)建單站光伏各時間點出力關(guān)聯(lián)矩陣；最后，利用相關(guān)系數(shù)矩陣對不同光伏電站出力情況進行特征融合。

2 基于GCN的光伏出力預(yù)測

2.1 光伏出力數(shù)據(jù)鄰接矩陣構(gòu)建

構(gòu)建光伏出力數(shù)據(jù)鄰接矩陣提取光伏出力時空特征，先將光伏歷史數(shù)據(jù)轉(zhuǎn)化為空間圖結(jié)構(gòu)，每個時間序列對應(yīng)為圖結(jié)構(gòu)中的一個節(jié)點，通過鄰接矩陣的形式表征各時間節(jié)點間的關(guān)聯(lián)系數(shù)，不同光伏電站空間結(jié)構(gòu)特征通過權(quán)重矩陣表征；之后將鄰接矩陣與權(quán)重矩陣進行融合得到表征光伏出力時空特性的鄰接矩陣。

如圖4所示，對光伏時序序列間相互影響采用0和1編碼方式，若時間節(jié)點[i]與[j]間有直接影響則設(shè)為1，否則為0，初步構(gòu)建光伏時空鄰接矩陣。考慮光伏出力時序節(jié)點自身特征，基于節(jié)點自身特征改進鄰接矩陣，此時鄰接矩陣包含光伏出力節(jié)點自身特征和各時序節(jié)點間相互特征。針對不同光伏電站出力空間特征提取問題，采用權(quán)值系數(shù)改進鄰接矩陣，改進鄰接矩陣表征了光伏出力各時序節(jié)點相互關(guān)系和各光伏電站空間出力關(guān)系。

2.2 構(gòu)建GCN光伏短期出力預(yù)測模型

基于GCN的光伏短期出力預(yù)測數(shù)學(xué)模型如圖5所示，通過時空鄰接矩陣的構(gòu)建有效融合了光伏各時間序列前后時間節(jié)點的特征信息，利用GCN網(wǎng)絡(luò)充分挖掘光伏在各時間節(jié)點的自特性和不同時間節(jié)點間的相關(guān)性，同時映射出不同光伏電站出力影響。

如圖5a所示，GCN網(wǎng)絡(luò)結(jié)構(gòu)中每個圖卷積層包含光伏歷史數(shù)據(jù)前后特征，在進行預(yù)測時從全局出發(fā)考慮各出力歷史時序數(shù)據(jù)間關(guān)系。光伏時間序列局部鄰接矩陣包含當(dāng)前時間節(jié)點與其前后2個節(jié)點特征信息，如圖5b所示，其中[At1]、[At2]和[At3]為[t1]、[t2]、[t3]這3個時間節(jié)點光伏時間序列特征鄰接矩陣，[At1→t2]、[At1→t3]和[At2→t3]分別為[t1]—[t2]時刻、[t1]—[t3]時刻和[t2]—[t3]時刻光伏出力單位鄰接矩陣，各時間節(jié)點所對應(yīng)鄰接矩陣表達(dá)式為：

[A（p，p）=f（tp）Ata=AAta→tb=I" "（a≠b）] （4）

[Ai=Ata+Ata→tb] （5）

式中：[A]——時間節(jié)點特征矩陣；[A（p，p）]——鄰接矩陣對角線，其值是光伏電源[p]時刻歷史出力數(shù)據(jù)[f（tp）]；[Ata]——時間節(jié)點[a]自特性；[Ata→tb]——時間節(jié)點[a]到時間節(jié)點[b]出力關(guān)聯(lián)矩陣；[I]——單位矩陣；[Ai]——第[i]站光伏短期出力鄰接矩陣。

在式（5）單站光伏出力鄰接矩陣基礎(chǔ)上構(gòu)建多站光伏出力特征矩陣，多站光伏出力特征融合可表示為：

[Fij=j=1si=1sXijAiAj] （6）

式中：[Fij]——多站光伏出力特征融合矩陣；[s]——光伏電站數(shù)量；[Xij]——[i]站與[j]站光伏出力相關(guān)系數(shù)矩陣；[Ai]和[Aj]——光伏[i]站和光伏[j]站特征鄰接矩陣，其中[Ai]與[Aj]是相同維數(shù)的方陣。

如圖6所示，將光伏出力時序數(shù)據(jù)處理成圖形式作為GCN網(wǎng)絡(luò)輸入，首先通過全連接層連接鄰接矩陣，其次基于GCN網(wǎng)絡(luò)提取光伏出力數(shù)據(jù)時空特征，利用網(wǎng)絡(luò)層與層間傳播函數(shù)將光伏出力歷史樣本數(shù)據(jù)[X]映射為[Z]，最后通過全連接層映射出光伏出力預(yù)測數(shù)據(jù)。

歷史光伏數(shù)據(jù)圖神經(jīng)網(wǎng)絡(luò)層與層之間的傳播方式為正向傳播，可獲取光伏歷史數(shù)據(jù)空間結(jié)構(gòu)和時序數(shù)據(jù)結(jié)構(gòu)間特征，傳播激活函數(shù)選擇ReLU，構(gòu)建GCN網(wǎng)絡(luò)層與層間傳遞函數(shù)表達(dá)式為：

[Fl+1=δjsisXijAFlWl] （7）

[A=AiAj] （8）

[Xij=1，i?j0，i=j0，其他] （9）

式中：[Fl+1]、[Fl]——GCN第[l+1]卷積層和第[l]卷積層特征；[δ]——層與層間激活函數(shù)；[A]——[i]站與[j]站光伏出力鄰接矩陣乘積；[Wl]——卷積層[l]權(quán)重矩陣。

由于鄰接矩陣[A]未進行歸一化處理，與光伏出力各層特征矩陣[F]相乘會改變特征，引入度矩陣[Dij]，其公式為：

[Dij=j=1sFij] （10）

將鄰接矩陣[A]歸一化處理后，更新GCN光伏出力預(yù)測模型層與層間傳遞函數(shù)為：

[Fl+1=δDij-12FijDij-12FlWl] （11）

基于所構(gòu)建的傳遞函數(shù)，建立GCN光伏短期出力預(yù)測模型函數(shù)：

[Z=fX，F(xiàn)ij=δDij-12FijDij-12δDij-12FijDij-12XWlWl+1]

（12）

式中：[Z]——光伏出力預(yù)測輸出映射變換；[X]——光伏出力歷史時序數(shù)據(jù)；[Wl+1]——卷積層[l+1]權(quán)重矩陣。

基于GCN的光伏短期出力預(yù)測算法流程如圖7所示。

3 算例分析

3.1 GCN光伏預(yù)測模型參數(shù)設(shè)置

本文選取某地區(qū)2021—2022年光伏出力數(shù)據(jù)進行分析，使用PyTorch深度學(xué)習(xí)框架構(gòu)建基于GCN的光伏短期出力預(yù)測模型，網(wǎng)絡(luò)的參數(shù)設(shè)置如表2所示，計算過程所需的硬件配置包為NVIDIA GeForce GTX 1050Ti獨顯、Intel?CoreTM i7-7700HQ CPU @ 2.80 GHz主頻和16 G運行內(nèi)存。

3.2 GCN預(yù)測結(jié)果與分析

為驗證GCN模型的光伏出力預(yù)測精度，從數(shù)據(jù)結(jié)構(gòu)出發(fā)采用4類不同算法對光伏出力進行預(yù)測，選取BP、LSTM和圖注意力網(wǎng)絡(luò)（graph attention networks，GAT）3種網(wǎng)絡(luò)模型做比對分析，其中BP和LSTM算法以光伏時間序列數(shù)據(jù)作為輸入，GCN和GAT以圖結(jié)構(gòu)數(shù)據(jù)作為輸入，在相同的光伏發(fā)電數(shù)據(jù)情況下，不同方法的光伏出力預(yù)測結(jié)果如圖8所示。如圖8所示，通過比對發(fā)現(xiàn)，采用圖結(jié)構(gòu)數(shù)據(jù)方法的出力預(yù)測方法呈現(xiàn)更好的結(jié)果，同時基于GCN算法的光伏短期出力預(yù)測效果最佳。

為進一步驗證不同時間尺度下基于GCN的光伏出力預(yù)測方法有效性，以小時為單位時間尺度，選取4 d光伏出力數(shù)據(jù)進行出力預(yù)測計算，結(jié)果如圖9所示。如圖9所示，在不同天氣情況下采用GCN模型的光伏短期出力預(yù)測效果優(yōu)于傳統(tǒng)預(yù)測模型，同時也驗證了所構(gòu)建模型在不同時間尺度下的預(yù)測精度高于其他預(yù)測模型。

4 結(jié) 論

本文針對光伏短期出力預(yù)測問題，提出一種基于GCN的光伏短期出力預(yù)測方法，對光伏出力歷史時序數(shù)據(jù)和不同光伏電站出力數(shù)據(jù)，采用圖結(jié)構(gòu)方式構(gòu)建鄰接矩陣提取光伏出力時空特征。構(gòu)建GCN光伏短期出力預(yù)測模型，在不同時間尺度和不同場景下對單站和多站光伏短期出力進行訓(xùn)練預(yù)測。通過仿真計算，本文提出的GCN模型與傳統(tǒng)的LSTM、BP和GAT網(wǎng)絡(luò)相比，在預(yù)測精度和收斂速度上均有進一步提升。

［參考文獻］

［1］ 李德鑫， 王佳蕊， 張家郡. 基于光伏波動性的儲能出力特性分析［J］. 電網(wǎng)與清潔能源， 2021， 37（2）： 99-107.

LI D X， WANG J R， ZHANG J J. Analysis of energy storage output characteristics based on photovoltaic volatility［J］. Power system and clean energy， 2021， 37（2）： 99-107.

［2］ 趙俊浩， 吳杰康， 張文杰， 等. 基于布谷鳥-Elman算法的光伏發(fā)電預(yù)測［J］. 電力工程技術(shù)， 2020， 39（2）： 81-88.

ZHAO J H， WU J K， ZHANG W J， et al. Photovoltaic power prediction based on Elman neural network with improved cuckoo algorithm［J］. Electric power engineering technology， 2020， 39（2）： 81-88.

［3］ 宋陽， 張靜頁， 王磊， 等. 計及預(yù)測偏差的光伏消納多時間尺度調(diào)度研究［J］. 電力工程技術(shù)， 2018， 37（1）： 58-64.

SONG Y， ZHANG J Y， WANG L， et al. Research on multi-time scheduling of accommodating photovoltaic considering the error of photovoltaic prediction［J］. Electric power engineering technology， 2018， 37（1）： 58-64.

［4］ 劉丹， 劉方， 許彥平. 基于MIV-PSO-BPNN的光伏出力短期預(yù)測［J］. 太陽能學(xué)報， 2022， 43（6）： 94-98.

LIU D， LIU F， XU Y P. Short-term photovoltaic power forecasting based on MIV-PSO-BPNN model［J］. Acta energiae solaris sinica， 2022， 43（6）： 94-98.

［5］ 袁曉玲， 施俊華， 徐杰彥. 計及天氣類型指數(shù)的光伏發(fā)電短期出力預(yù)測［J］. 中國電機工程學(xué)報， 2013， 33（34）： 57-64， 12.

YUAN X L， SHI J H， XU J Y. Short-term power forecasting for photovoltaic generation considering weather type index［J］. Proceedings of the CSEE， 2013， 33（34）： 57-64， 12.

［6］ 邢晨， 張照貝. 基于改進時間卷積網(wǎng)絡(luò)的短期光伏出力概率預(yù)測方法［J］. 太陽能學(xué)報， 2023， 44（2）： 373-380.

XING C， ZHANG Z B. Short-term probabilistic forecasting method of photovoltaic output power based on improved temporal convolutional network［J］. Acta energiae solaris sinica， 2023， 44（2）： 373-380.

［7］ 朱玥， 顧潔， 孟璐. 基于EMD-LSTM的光伏發(fā)電預(yù)測模型［J］. 電力工程技術(shù)， 2020， 39（2）： 51-58.

ZHU Y， GU J， MENG L. Photovoltaic power generation prediction model based on EMD-LSTM［J］. Electric power engineering technology， 2020， 39（2）： 51-58.

［8］ 劉嘉誠， 劉俊， 趙宏炎， 等. 基于DKDE與改進mRMR特征選擇的短期光伏出力預(yù)測［J］. 電力系統(tǒng)自動化， 2021， 45（14）： 13-21.

LIU J C， LIU J， ZHAO H Y， et al. Short-term photovoltaic output forecasting based on diffusion kernel density estimation and improved max-relevance and Min-redundancy feature selection［J］. Automation of electric power systems， 2021， 45（14）： 13-21.

［9］ 高博， 茆超， 張沖標(biāo)， 等. 基于時空圖網(wǎng)絡(luò)的分布式光伏發(fā)電出力預(yù)測［J］. 電力系統(tǒng)及其自動化學(xué)報， 2023， 35（3）： 125-133.

GAO B， MAO C， ZHANG C B， et al. Output prediction of distributed photovoltaic power generation based on spatialtemporal graph neural network［J］. Proceedings of the CSU-EPSA， 2023， 35（3）： 125-133.

［10］ 王玉慶， 徐飛， 劉志堅， 等. 基于動態(tài)關(guān)聯(lián)表征與圖網(wǎng)絡(luò)建模的分布式光伏超短期功率預(yù)測［J］. 電力系統(tǒng)自動化， 2023， 47（20）： 72-82.

WANG Y Q， XU F， LIU Z J， et al. Ultra-short-term power forecasting of distributed photovoltaic based on dynamic correlation characterization and graph network modeling［J］. Automation of electric power systems， 2023， 47（20）： 72-82.

［11］ 卞海紅， 孫健碩. 基于典型氣象周的GRNN光伏發(fā)電量預(yù)測模型［J］. 電力工程技術(shù)， 2021， 40（5）： 94-99.

BIAN H H， SUN J S. Photovoltaic power generation prediction model based on optimized TMY Method-GRNN［J］. Electric power engineering technology， 2021， 40（5）： 94-99.

RESEARCH ON SHORT-TERM PV OUTPUT PREDICTION

METHOD BASED ON GCN

Zhang Liang1，2，Zhou Liyang1，Xu Xiaochun3，Li Rong1，Li Rui1

（1. School of Electric Power Engineering， Nanjing Institute of Technology， Nanjing 211167， China；

2. State Key Laboratory of Smart Grid Protection and Control（Nari Group Corporation）， Nanjing 211106， China；

3. State Grid Jiangsu Electric Power Co.， Ltd. Huai’an Power Supply Branch， Huaian 223001， China）

Abstract：To improve the accuracy of short-term photovoltaic output prediction， a photovoltaic short-term output prediction method based on graph convolutional network （GCN） is proposed. Firstly， construct a short-term photovoltaic output model that considers multiple meteorological factors， and conduct an analysis of the influencing factors and output characteristics of photovoltaic system. Secondly， graphical transformation and data reconstruction are performed on the historical time series data of photovoltaic output， and an adjacency matrix is constructed to extract graphical feature data of short-term photovoltaic output. Establish a photovoltaic output prediction model based on GCN in a multi time scale scenario， and compare and analyze it with prediction models based on LSTM， BP， GAT and other algorithms. Finally， simulation validation research is conducted using measured photovoltaic output data from a certain region， and the simulation results show that the proposed method has good predictive performance.

Keywords：photovoltaic power； graph convolutional neural network； graph data structure； multi-time scale