时间序列预测：图神经网络、图卷积网络、图注意力机制与可解释性等算法及其在数
据生成、场景生成与风光发电负荷预测中的应用
## 当图神经网络遇上风电预测：时空数据的新玩法
七月台风天的深夜，某风电场值班室的警报突然响起——预测系统显示未来三小时发电量将骤降30%
，但实际风速传感器数据却毫无波动。这是模型误报还是潜在风险？传统时序预测模型在空间关联性面前
集体哑火的时候，图神经网络正在给时空预测撕开一道新口子。
咱们先看个典型场景：某省电网要预测20个风电场未来24小时的发电量。相邻风场之间可能存在风
速传播效应，地形起伏造成风流扰动，这些空间关系正是图神经网络的拿手好戏。来看个简化的PyTorch代
码片段：
```python
import torch
from torch_geometric.nn import GATConv
class WindGAT(torch.nn.Module):
def __init__(self, node_features=8):
super().__init__()
self.gat1 = GATConv(node_features, 16, heads=3)
self.gat2 = GATConv(16*3, 32)
self.temporal = torch.nn.GRU(32, 64)
def forward(self, x, edge_index):
# x: (nodes, time_window, features)
spatial = self.gat1(x[:, -1], edge_index) # 取最新时间片
spatial = self.gat2(spatial, edge_index)
temporal, _ = self.temporal(spatial.unsqueeze(1))
return temporal.squeeze()
```
这段代码的巧妙之处在于时空分离处理——GAT层处理空间关系时只取最新时间片的数据，保留的GR
U则专注时间维度演化。实际部署时，节点特征矩阵x可能包含风速、温度、叶片转速等时序特征，边权重可
通过地理距离和风流方向动态计算。
数据生成是个技术活。某项目曾用GAN生成极端天气下的虚拟场景数据，通过控制生成器的噪声向
量模拟不同台风路径。核心代码只有四行但效果惊人：
```python
