光伏發電受到太陽輻射周期、地理環境及各種氣象因素變化的影響，對其進行準確的建模和特性分析是一個多影響因素的數學難題。準確的預測光伏發電功率可以使電力調度部門及時調整調度計劃，提高電網運行的經濟性和穩定性，促進新能源消納。

光伏發電是一個連續不斷的過程，光伏發電數據作為一個典型的時間序列，不僅是非線性的，而且具有時間相關性。光伏發電功率每時刻的變化不僅取決于當前時刻，還取決于過去時刻。

有學者提出基于多維時間序列的光伏發電功率預測方法，采用相關性分析對不同時間尺度的光伏功率序列進行分析，然后利用支持向量回歸方法建立光伏功率預測模型。但在天氣類型突變的情況下，模型的預測精度不高。有學者建立了基于差分整合移動平均自回歸模型（Autoregressive Integrated Moving Average Model, ARIMA）與支持向量機的分布式光伏功率預測模型，并在不同天氣類型下進行案例分析，但由于缺乏對空間特征的提取，模型精度有待進一步提升。

每個光伏電站具有獨特的地理空間位置，光伏發電功率具有空間相關性。對于臨近地區的多個光伏電站而言，由于地理位置條件相近，且在相似的天氣、氣溫等氣象條件作用下，光伏電站輸出功率呈現一定程度的相似性。

針對光伏電站時空相關性的研究，有學者提出一種深度時空特征提取的光伏發電功率預測模型，針對鄰近區域的光伏電站進行圖建模，使用長短期記憶（Long Short-Term Memory, LSTM）模型進行時間特征提取，使用圖卷積原理提取電站的空間特征。但是由于分布式光伏電站具有強空間性，圖機器學習還應該結合地理方位和云層運動，以達到更加精準的預測效果。

有學者利用聚類方法對大規模區域光伏電站進行分塊形成群光伏電站，然后進一步篩選群光伏電站中與待預測電站具有空間相關性的光伏電站，建立自回歸滑動平均模型（Auto-Regression and Moving Average, ARMA）實現對光伏發電功率的預測。模型具有一定的預測能力，但隨著預測時長的增加預測精度下降。

現有工作大多依賴光伏電站氣象裝置量測的氣象數據或者數值天氣預報（Numerical Weather Prediction, NWP）中的氣象數據，僅采用某些針對性特征進行功率預測，缺乏對多源數據信息的有效利用。

國網河北省電力有限公司等單位的研究人員結合電站實測數據和NWP數據，基于灰色關聯分析和GeoMAN（Geo-sensory Multi-level Attention Networks）模型，提出一種動態時空特征提取和外部氣象因素融合的光伏發電功率短期預測方法。

 他們采用灰色關聯分析對所有電站進行相關性分析，選取與待預測光伏電站高度相關的周邊電站。然后基于待預測光伏電站和周邊相關電站的信息，利用GeoMAN模型實現對光伏發電功率的短期預測。GeoMAN模型采用編解碼器架構，編碼器包含站內特征注意力機制，站間空間注意力機制和LSTM，以提取待預測光伏電站的站內局部特征和與周邊相關電站的站間空間特征。解碼器包含時間注意力機制和LSTM，從而預測光伏發電功率。外部氣象模塊融合了晴空指數和NWP數據，進一步提升光伏發電功率預測精度。

算例分析結果表明，所述模型較LSTM模型具有更高的精度，說明基于灰色關聯分析和GeoMAN的光伏發電功率短期預測模型應用于光伏發電功率預測的可行性和高效性，可以滿足短期實時調度需求。