基于CNN-BILSTM-Attention模型的光伏发电预测研究

石河子大学 许远东

发布时间:2025-03-07

摘要：提出了一种结合卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和注意力机制的复合模型（CNN BiLSTM-Attention），利用CNN提取时间序列数据的局部特征，通过BiLSTM捕获数据中的长期依赖关系，引入注意力机制来增强模型对重要信息的关注度。通过在真实数据集上的实验，验证了所提模型相比于传统的时间序列预测方法和单一深度学习模型在预测精度和稳定性方面的优势^[1-2]。

关键词：时间序列预测，深度学习，卷积神经网络（CNN），双向长短期记忆网络（BiLSTM），注意力机制

0 引言

时间序列预测在金融分析、气象预报、能源管理等领域有着广泛的应用。传统的预测方法，如自回归模型和移动平均模型，虽然在某些场景下表现良好，但在处理复杂的非线性序列和长期依赖问题时存在限制。近年来，深度学习模型因其出色的特征提取能力和复杂数据处理能力而被广泛研究和应用。尤其是CNN和LSTM网络，已经在时间序列预测任务中显示了其有效性。然而，单一的深度学习模型仍然难以兼顾时间序列数据的局部特征提取和长期依赖捕获。另一方面，注意力机制的引入为模型提供了重点关注重要信息的能力，进一步增强了模型的性能。基于此，本文提出了一种融合CNN、BiLSTM和注意力机制的复合深度学习模型，旨在充分挖掘和利用时间序列数据中的信息，以提高预测的准确性和鲁棒性。通过对真实世界数据集的实验评估，展示了所提模型相对于其他先进方法的优越性，为时间序列预测提供了一种新的解决方案。

1 CNN-BILSTM-Attention模型介绍

CNN-BILSTM-Attention模型结合了卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和注意力机制的先进深度学习模型，旨在有效处理和分析序列数据。这种模型因其在时间序列分析、自然语言处理和语音识别等领域的显著表现而备受关注^[3-4]。

CNN以其能够显著减少模型参数的数量，同时保留数据的空间层次关系而闻名，本模型通过卷积神经网络（CNN）层自动提取序列数据中的局部特征，不仅起到初步特征提取的作用，还为后续的BiLSTM层准备了更抽象、高质量的特征表示。模型利用双向长短期记忆网络（BiLSTM）进一步处理CNN层的特征。BiLSTM能够捕获序列数据中的长期依赖关系，同时涉及过去和未来的上下文信息，因此为理解整个序列的语义提供了重要的帮助。

本文通过引入注意力机制，使得模型能够“聚焦”于序列中最重要的部分。此机制通过为BiLSTM层的输出分配不同的权重来实现，进而增强模型对关键信息的敏感度，提高处理复杂序列任务的性能，具体流程如图1、图2所示。

2 光伏发电预测实例

为验证CNN-BiLSTM-Attention模型在光伏发电量预测中的可行性与性能优势，本研究采集了某光伏电站2015年的历史发电数据。该数据集包含776组样本，涵盖了影响发电效率的诸多因素，如天气条件、温度和光照强度等。实验中，80%的数据（即617组样本）被用作训练集，用于模型的训练；剩余20%的数据（共计154组样本）作为测试集，用于评估模型的预测效果。通过计算均方误差（MSE）、均方根误差（RMSE）和决定系数（R2）等指标，量化评估了模型预测的准确度和稳健性，结果显示了模型对于光伏发电量预测的有效性^[8-9]。

3 实验结果

CNN-BiLSTM-Attention模型针对光伏发电量预测进行了实验。图4的训练集的结果表明，模型在776组样本中的617组上表现出高精度，决定系数（R2）达到0.97931，均方根误差（RMSE）为1.0838，显示了模型在训练阶段与实际数据的高度吻合。但是在测试集上，图3结果显示性能略有下降，决定系数减少至0.95631，RMSE上升至1.7025，表明模型虽然仍然保持了良好的预测能力，但在面对未见数据时，准确度有所降低。这种性能变化可能是由过拟合或训练数据与测试数据间潜在分布差异导致。虽然有上述不足之处，但是测试集上的剩余预测残差（RPD）为4.852，表明模型预测与实际值保持了较为稳定的一致性，证实了CNN-BiLSTM-Attention模型在光伏发电量预测中的有效性。

4 结语

本研究中提出的CNN-BiLSTM-Attention模型通过融合卷积神经网络、双向长短期记忆网络和注意力机制，展现了其在光伏发电量预测方面的显著优势。实验结果揭示了该模型在处理时间序列数据时的强大能力，尤其是在捕获和利用序列数据中的长期依赖和重要特征方面。在训练集上，模型显示了极高的准确度和出色的数据拟合能力。尽管在测试集上的表现有所下降，表明模型在泛化到新数据时可能会受到过拟合的影响，但整体而言，模型仍然保持了可靠的预测性能。

实验结果也指出了模型优化的潜在方向，如调整模型结构以减轻过拟合现象，或者通过扩大训练集来提高模型的泛化能力。未来的研究可能会探索更复杂的混合模型，或者利用更先进的正则化技术和超参数调优方法，来进一步提升模型的预测准确性和泛化能力。

CNN-BiLSTM-Attention模型在光伏发电预测任务上的表现，证实了深度学习模型在时间序列分析领域的潜力和价值。这项工作不仅为时间序列预测提供了一种新的方法论，也为光伏发电管理和优化提供了一种有效的数据驱动工具，具有重要的理论意义和实践价值。

参考文献

[1]李艳辉，王衍萌.基于数据增强技术与CNN-BiLSTM-Attention的油田注水流量预测及效果[J].科学技术与工程，2023，23（32）：13896-13902.

[2]徐恒山，莫汝乔，薛飞，等.基于时间戳特征提取和CatBoost-LSTM模型的光伏短期发电功率预测[J].太阳能学报，2024，45（5）：565-575.

[3]许伟欣，杨明，骆海琦，等.基于深度学习模型的光伏发电负荷预测[J].电气传动自动化，2023，45（4）：62-64.

[4]朱明.基于数据处理和深度学习的光伏发电预测模型[J].河南科学，2023，41（7）：970-977.

[5]虞智超.基于Transformer的长序列光伏发电预测方法[D].南昌：南昌大学，2023.

[6]刘世鹏，宁德军，马崛.针对光伏发电功率预测的LSTformer模型[J].计算机工程与应用，2024，60（9）：317-325.

[7]许珠路，王兴芬，刘亚辉.融合CNN-BiLSTM-Attention的集成学习价格预测[J].计算机系统应用，2023，32（6）：32-41.

[8]仓敏，翟晓萌，王静怡.整县光伏发电的综合LSTM功率预测模型研究[J].科技和产业，2023，23（6）：156-164.

作者简介：许远东（2003—），男，山东菏泽人，石河子大学本科在读，研究方向为时间序列预测。

《现代工业经济和信息化》2024年第11期