A Deep Learning Model for Short-term Photovoltaic Power Generation Forecasting Based on Dual Feature-Temporal Attention Mechanism

WANG Jianjun; PAN Jiayin; ZHAO Zhenzhu; ZHAO Qidi

doi:10.20204/j.sp.2025.04010

English Version Reader LoginJournal Login

您当前的位置：

首页 >

文章列表页 >

A Deep Learning Model for Short-term Photovoltaic Power Generation Forecasting Based on Dual Feature-Temporal Attention Mechanism

更新时间：2025-10-22

- A Deep Learning Model for Short-term Photovoltaic Power Generation Forecasting Based on Dual Feature-Temporal Attention Mechanism
- Vol. 53, Issue 4, Pages: 81-87(2025)
- 作者机构：
  
  华北电力大学经济与管理学院,北京,102206
- 作者简介：
- 基金信息：
- DOI：10.20204/j.sp.2025.04010
  CLC：
- Published：2025
- 稿件说明：
移动端阅览
王建军,潘佳音,赵珍珠,肇启迪.基于特征时间双注意力机制的短期光伏发电预测深度学习模型研究[J].智慧电力,2025,53(4):81-87.

doi:10.20204/j.sp.2025.04010
王建军,潘佳音,赵珍珠,肇启迪.基于特征时间双注意力机制的短期光伏发电预测深度学习模型研究[J].智慧电力,2025,53(4):81-87. DOI： 10.20204/j.sp.2025.04010.

doi:10.20204/j.sp.2025.04010 DOI：

摘要

针对光伏发电预测中存在的输入特征变量选择不精准和长时间历史信息难以捕捉等问题，提出一种基于特征时间双注意力机制的短期光伏发电功率预测深度学习模型（DA-GRU）。利用特征注意力机制挖掘不同影响特征对光伏发电功率的重要程度，通过时间注意力机制衡量历史信息在不同时间点上的重要性，从而有效捕捉长时间序列上的变化趋势。算例分析表明，所提模型在各项评价指标上均优于其它对比模型，说明其对复杂非线性光伏发电功率数据有较好的适应性。

Abstract

To address challenges in photovoltaic （PV） power forecasting， such as imprecise selection of input feature variables and difficulty in capturing long-term historical information， this paper proposes a deep learning model named dual attention gated recurrent unit （DA-GRU） for short-term PV power prediction. The model employs a feature attention mechanism to evaluate the significance of different influencing features on PV power generation and a temporal attention mechanism to weigh the importance of historical information at different time points， thereby effectively capturing long-term temporal trends. Case study analysis demonstrates that the proposed model outperforms other comparative models across all evaluation metrics， highlighting its superior adaptability to complex nonlinear PV power data.

关键词

Keywords

references

罗仕华，胡维昊，刘雯，等.中国2060碳中和能源系统转型路径研究[J].中国科学（技术科学），2024，54（1）：43-64.

侯梅芳.碳中和目标下中国能源转型和能源安全的现状、挑战与对策[J].西南石油大学学报（自然科学版），2023，45（2）：1-10.

金之钧，张川，王晓峰，等.关于中国碳中和与能源转型实现路径的思考[J].石油与天然气地质，2024，45（3）：593-599.

王鑫淼，马志勇，周旺潇，等.光伏发电系统碳中和及其影响因素[J].资源科学，2022，44（8）：1735-1744.

衣博文，范英.高比例可再生能源接入下的电力系统规划研究[J].管理科学学报，2023，26（10）：21-35.

张赟宁，魏广军.考虑特征选择的短期光伏功率组合预测模型[J].电力系统及其自动化学报，2024，36（8）：122-132.

车泉辉，吴耀武，祝志刚，等.基于碳交易的含大规模光伏发电系统复合储能优化调度[J].电力系统自动化，2019，43（3）：76-82，154.

张智刚，康重庆.碳中和目标下构建新型电力系统的挑战与展望[J].中国电机工程学报，2022，42（8）：2806-2819.

董存，王铮，白捷予，等.光伏发电功率超短期预测方法综述[J].高电压技术，2023，49（7）：2938-2951.

朱琼锋，李家腾，乔骥，等.人工智能技术在新能源功率预测的应用及展望[J].中国电机工程学报，2023，43（8）：3027-3048.

SOBRI S，KOOHI-KAMALI S，RAHIM N A.Solar photovoltaic generation forecasting methods：a review[J].Energy Conversion & Management，2018，156（1）：459-497.

MAYER M J.Influence of design data availability on the accuracy of physical photovoltaic power forecasts[J].Solar Energy，2021，227（10）：532-540.

师浩琪，郭力，刘一欣，等.基于多源气象预报总辐照度修正的光伏功率短期预测[J].电力自动化设备，2022，42（3）：104-112.

白捷予，董存，王铮，等.考虑云层遮挡的光伏发电功率超短期预测技术[J].高电压技术，2023，49（1）：159-168.

MIAO S，NING G，GU Y，et al.Markov Chain model for solar farm generation and its application to generation performance evaluation[J].Journal of Cleaner Production，2018，186（6）：905-917.

解振学，林帆，王若谷，等.基于时序动态回归的超短期光伏发电功率预测方法[J].智慧电力，2022，50（7）：45-51.

李一，杨茂，苏欣.基于集成聚类及改进马尔科夫链模型的光伏功率短期预测[J].南方电网技术，2023，17（10）：113-122.

刘大贵，王维庆，张慧娥，等.基于隐马尔科夫修正的光伏中长期电量预测及调度计划应用[J].高电压技术，2023，49（2）：840-848.

钟安德，吴自玉，谢宗效，等.基于ACO-BP神经网络的光伏发电短期功率预测研究[J].电子设计工程，2024，32（18）：82-86.

夏晓荣，胡鹏飞，王飞，等.基于小波变换与优化BP神经网络的超短期光伏发电功率预测[J].电网与清洁能源，2024，40（10）：159-166.

李争，徐若思，曹欣，等.基于小波变换和IAGA-BP神经网络的光伏功率短期预测方法[J].可再生能源，2023，41（7）：883-890.

黄牧涛，邢芳菲，陈兴邦，等.基于K-means聚类和极限学习机组合算法的短期光伏功率预测[J].水电能源科学，2024，42（2）：217-220，216.

王继东，宋智林，冉冉.基于改进支持向量机算法的光伏发电短期功率滚动预测[J].电力系统及其自动化学报，2016，28（11）：9-13.

邹港，赵斌，罗强，等.基于PCA-VMD-MVO-SVM的短期光伏输出功率预测方法[J].电力科学与技术学报，2024，39（5）：163-171.

王晓霞，俞敏，冀明，等.基于气候相似性与SSA-CNN-LSTM的光伏功率组合预测[J].太阳能学报，2023，44（6）：275-283.

CHEN Y，WANG Y，KIRSCHEN D，et al.Model-free renewable scenario generation using generative adversarial networks[J].IEEE Transactions on Power Systems，2018，33（3）：3265-3275.

吴珺玥，赵二刚，郭增良，等.基于 Spearman 系数和TCN 的光伏出力超短期多步预测[J].太阳能学报，2023，44（9）：180-186.

陈禹帆，温蜜，张凯，等.基于相似日匹配及TCN-Attention 的短期光伏出力预测[J].电测与仪表，2022.59（10）：108-116.

张海涛，李文娟，李雪峰，等.基于变分模态分解和时间注意力机制TCN网络的光伏发电功率预测[J].电测与仪表，2024，61（12）：156-163.

崔馨元，张东，马艳娟，等.基于CGABC-Elman的光伏发电功率短期预测[J].电源技术，2022，46（9）：1043-1047.

黄莉，甘恒玉，刘兴举，等.基于Transformer编码器的超短期光伏发电功率预测[J].智慧电力，2024，52（5）：16-22，59.

张建辉，滕婕，李秀慧，等.基于气象特征和改进Transformer 的光伏功率短期预测[J].热能动力工程，2024，39（8）：146-154.

彭曙蓉，陈慧霞，孙万通，等.基于改进LSTM的光伏发电功率预测方法研究[J].太阳能学报，2024，45（11）：296-302.

王海军，居蓉蓉，董颖华.基于时空关联特征与B-LSTM模型的分布式光伏功率区间预测[J].中国电力，2024，57（7）：74-80.

李庆生，张裕，龙家焕，等.基于IMFO-LSTM模型的光伏功率预测研究[J].电力科学与技术学报，2024，39（3）：199-206.

赵晋斌，张建平，毛玲，等.基于PSO-Soft attention双向LSTM算法的光伏发电量预测研究[J].智慧电力，2022，50（3）：1-7.

周伊，肖先勇，赵清华，等.基于组合数据清洗与改进注意力机制的光伏发电功率预测[J].供用电，2024，41（10）：31-37，49.

ZHOU H，ZHANG Y，YANG L，et al.Short-term photovoltaic power forecasting based on long short term memory neural network and attention mechanism[J].IEEE Access，2019，7（99）：78063-78074.

孙毅，刘蕊，魏孟迪，等.基于ResNet-GRU模型的短期光伏出力预测估计方法[J].供用电，2023，40（6）：34-41.

乔石，王磊，张鹏超，等.基于时间模式注意力机制的GRU短期负荷预测[J].电力系统及其自动化学报，2023，35（10）：49-58.

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

No data

Related Author

No data

Related Institution

No data

AI问答

⁰