基于CNN-LSTM-Attention模型的光伏发电预测研究

辽宁工程技术大学电气与控制工程学院 葛瑞

发布时间:2025-05-30

摘要：提出了一种结合卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力机制的复合模型（CNN-LSTM-Attention）。利用CNN提取时间序列数据的局部特征，通过LSTM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。

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

0 引言

随着光伏产业的迅速发展，光伏发电预测成为了关键技术。传统的光伏发电预测方法，比如统计学方法和物理模型，在某些情况下可以提供满意的预测结果，但面对复杂的环境，这些方法很难捕捉到数据中的深层次的模式，进而影响预测的准确性和可靠性。如今，深度学习的快速发展，特别是卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力机制的应用，给处理复杂数据提供了新的思考方向^[1-2]。这些模型具有优秀的特征学习和序列建模能力，CNN能够有效提取局部时空特征，LSTM优秀于捕捉长期依赖关系，注意力机制则能够使模型集中关注于最有信息量的部分。

1 CNN-LSTM-Attention模型介绍

CNN-LSTM-Attention模型结合了卷积神经网络（CNN）、长短期记忆网络（LSTM）以及注意力机制（Attention），是一个强大的深度学习框架，主要用于处理时间序列数据，如光伏发电预测、金融市场分析等领域。这个模型利用各自模型的优势，提高了时间序列预测的准确性和效率^[3]。

1.1 卷积神经网络（CNN）

CNN通常用于图像处理领域，特别擅长处理时间序列数据的局部特征，比如趋势、周期性等。在CNN-LSTM-Attention模型中，CNN首先处理输入的时间序列数据，卷积层学习到数据的局部依赖特征，随后被送入LSTM层进行进一步处理。

1.2 长短期记忆网络（LSTM）

LSTM是一种特殊的循环神经网络（RNN），用来处理序列数据的长期依赖的问题。通过门控机制来控制信息的流动，能够记住长期的信息。LSTM层接收来自CNN层的特征，进一步分析这些特征在时间序列上的长期依赖关系。

1.3 注意力机制（Attention）

注意力机制模拟了人类的注意力聚焦特性，使得模型能够在处理信息时专注于最重要的那部分，进而提高了处理效率和效果。在CNN-LSTM的基础上加入注意力机制，可以进一步提升模型的性能。注意力层分析LSTM层的输出，分析并给予更高的权重给那些对预测结果最有影响的特征，这样可以使模型在预测时更加精确和集中。

2 光伏发电预测实例

本研究利用深度学习技术，特别是融合了CNN、LSMT和注意力机制的复合模型，旨在提升光伏发电量预测的准确性和可靠性。通过收集某光伏电站2016年的历史发电数据，构建了一个包含104组样本的数据集，这些样本包含了多种影响发电效率的因素，如天气条件、温度和光照强度等。为了训练和验证模型的性能，将80%的数据用作训练集，剩余20%的数据用作测试集。

图1为预测误差的分布情况。理想情况下，误差分布应当是以0为中心的对称分布，且集中在中心区域，表明大多数预测值都非常接近真实值。但在这幅图中，误差分布呈现出较为集中的趋势，尤其是在0附近，这表示模型的预测结果与真实值比较吻合。

图2是一个散点图，用于评估模型预测值与实际值之间的相关性。理想情况下，这些点应该尽可能地分布在Y=T（即实际值等于预测值）的线附近。图2中的R值（相关系数）非常接近1，这说明预测值与实际值之间有非常强的正相关，这表明模型的预测准确度很高。

图3是一个折线图。理想的情况是两条线重合或非常接近。图3中可以看出，虽然在某些点上存在偏差，但总体上两条线相紧随趋势，表明模型在多数情况下能够有效预测光伏发电量。

图4为一个线性拟合结果。直线代表最佳拟合线，如果所有圆点（代表预测值）都精确地落在这条线上，那么模型预测就是非常好的。

3 结语

本研究通过融合CNN、LSMT和注意力机制的先进深度学习模型，在光伏发电量预测方面取得了显著的成功。实验结果证实了模型的高准确性和鲁棒性，表明其具备了处理复杂非线性时间序列数据的能力。这些优异的预测结果为光伏发电站的日常运营提供了坚实的数据支撑，因此，这个模型不仅可以预测未来的发电量，还能够识别潜在的安全风险，实时监测电站的运行状况，并在出现异常时提供及时的预警。

参考文献

[1]李笛，杨东，王文庆，等.基于CNN-LSTM-Attention的工业控制系统网络入侵检测方法研究[J].热力发电，2024，53（5）：115-121.

[2]姜宇，马廷淮.基于CNN-LSTM-Attention网络的河南省冬小麦产量预测[J].麦类作物学报，2024，44（10）：1352-1359.

[3]凌佳凯，章逸舟，胡金峰，等.基于CNN-LSTM-Attention的配电网拓扑实时辨识方法[J].浙江电力，2024，43（3）：84-94.

作者简介：葛瑞（2002—），男，辽宁营口人，辽宁工程技术大学本科在读，研究方向为负荷预测。

《现代工业经济和信息化》2025年第1期