基于深层感知交互Transformer的光伏功率预测

张禄晞; 石研; 曹志远; 张一; 杨真真

doi:10.20204/j.sp.2025.08009

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于深层感知交互Transformer的光伏功率预测

能源数字化与智能预测 | 更新时间：2025-10-24

- 基于深层感知交互Transformer的光伏功率预测
- Photovoltaic Power Forecasting Based on Deep Perception-Interaction Transformer
- 智慧电力 2025年53卷第8期页码：70-78
- 作者机构：
  
  国网内蒙古东部电力有限公司供电服务监管与支持中心，内蒙古通辽 0280002.南京邮电大学理学院,江苏,南京,210003
- 作者简介：
- 基金信息：
- DOI：10.20204/j.sp.2025.08009
  中图分类号：
- 纸质出版：2025
- 稿件说明：
移动端阅览
张禄晞,石研,曹志远,张一,杨真真.基于深层感知交互Transformer的光伏功率预测[J].智慧电力,2025,53(8):70-78.

ZHANG Luxi, SHI Yan, CAO Zhiyuan, et al. Photovoltaic Power Forecasting Based on Deep Perception-Interaction Transformer[J]. 2025, 53(8): 70-78.
张禄晞,石研,曹志远,张一,杨真真.基于深层感知交互Transformer的光伏功率预测[J].智慧电力,2025,53(8):70-78. DOI： 10.20204/j.sp.2025.08009.

ZHANG Luxi, SHI Yan, CAO Zhiyuan, et al. Photovoltaic Power Forecasting Based on Deep Perception-Interaction Transformer[J]. 2025, 53(8): 70-78. DOI： 10.20204/j.sp.2025.08009.

摘要

为充分挖掘数据关联性和时序性，提出基于深层感知交互Transformer （DPIT）的光伏功率预测方法。首先，构建改进时间卷积网络以高效提取跨时间、跨变量依赖关系并扩展感受野；其次，构建包含改进倒置Transformer（IIT）、深度感知自注意力（DPSA）及残差自注意力（RSA）的双分支交互学习网络。其中，IIT在倒置维度上集成卷积加性自注意力、前馈网络及层归一化，以降低计算复杂度，同步提升全局学习能力与关键气象特征和多元相关性捕获性能；DPSA和RSA融合深度感知机制与自注意力机制以增强特征学习能力；最后，通过大量仿真实验验证了DPIT模型兼具低计算复杂度与预测高精度优势。

Abstract

To fully exploit data correlations and temporal dependencies

this study proposes a deep perception-interaction transformer (DPIT) based photovoltaic power forecasting method. First

an enhanced temporal convolutional network (TCN) is constructed to efficiently capture cross-temporal and cross-variable dependencies while expanding the receptive field. Second

a dual-branch interactive learning network is established

comprising an improved inverted transformer (IIT)

deep perception self-attention (DPSA)

and residual self-attention (RSA). The IIT integrates convolutional additive self-attention

feedforward networks

and layer normalization in inverted dimensions

significantly reducing computational complexity while enhancing global learning capabilities and improving the capture of critical meteorological features/multivariate correlations. DPSA and RSA synergize deep perception mechanisms with self-attention to strengthen feature learning. Finally，extensive simulations demonstrate that the DPIT model achieves dual advantages of low computational complexity and high forecasting accuracy.

关键词

Keywords

references

马成廉，韩瑞，宋萌清，等.基于多源气象数据的光伏功率预测深度学习架构[J].电网与清洁能源，2025，41（4）：104-112.

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.

陈建军，李良杰，卢泽汉.基于改进LSTM-TCN模型的分布式光伏功率预测研究[J].电子设计工程，2024，32（16）：187-190，195.

IHEANETU K J.Solar photovoltaic power forecasting：A review[J].Sustainability，2022，14（24）：1-31.

谈玲，康瑞星，夏景明，等.融合多源异构气象数据的光伏功率预测模型[J].电子与信息学报，2024，46（2）：503-517.

YANG D，KLEISSL J，GUEYMARD C A，et al.History and trends in solar irradiance and PV power forecasting：A preliminary assessment and review using text mining[J].Solar Energy，2018，168（1）：60-101.

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.

史加荣，殷诏.基于GRU-BLS的超短期光伏发电功率预测[J].智慧电力，2023，51（9）：38-45.

LUO D，WANG X.ModernTCN：a modern pure convolution structure for general time series analysis[C]// The Twelfth International Conference on Learning Representations，Vienna，Austria，2024：1-13.

HE Y，GAO Q，LIU F，et al.Short-term photovoltaic power forecasting method based on convolutional neural network[J].Energy Reports，2022，8（1）：54-62.

周浩杰，杨建卫，王尊，等.基于LSTM光伏发电功率超短期预测模型研究[J].电源技术，2023，47（6）：785-789.

MA H，ZHANG C，PENG T，et al.An integrated framework of gated recurrent unit based on improved sine cosine algorithm for photovoltaic power forecasting[J].Energy，2022，256（1）：124650.

VASWANI A.Attention is all you need[C]//International Conference on Neural Information Processing Systems，California，USA，2017：1-11.

WU H，XU J，WANG J，et al.Autoformer：decomposition transformers with auto-correlation for long-term series forecasting[J].Neural Information Processing Systems，2021，34（1）：22419-22430.

XU H，PENG Q，WANG Y，et al. Power-load forecasting model based on informer and its application[J]. Energies，2023，16（7）:1-14.

ZHOU T，MA Z，WEN Q，et al.FEDformer：frequency enhanced decomposed transformer for long-term series forecasting[C]//International Conference on Machine Learning，Maryland，USA，2022：1-19.

KITAEV N，KAISER L，LEVSKAYA A.Reformer：The efficient transformer[C]//International Conference on Learning Representa-tions，Ababa，Ethiopia，2020：1-12.

HUANG Z，SHI X，ZHANG C，et al.Flowformer：a transformer architecture for optical flow[C]//European Conference on Computer Vision （ECCV），Tel Aviv，Israel，2022：668-685.

DAO T，FU D，ERMON S，et al.Flashattention：fast and memory-efficient exact attention with io-awareness[C]//The 36th Conference on Neural Information Processing Systems，Louisiana，USA，2022：1-16.

LIU Y，HU T，ZHANG H，et al.iTransformer：inverted transformers are effective for time series forecasting[C]//International Conference on Learning Representations，Vienna，Austria，2024：1-25.

TAO K，ZHAO J，TAO Y，et al.Operational day-ahead photovoltaic power forecasting based on transformer variant[J].Applied Energy，2024，373（1）：1-16.

王瑞，靳鑫鑫，逯静.SVMD-PE-BP-Transformer短期光伏功率预测[J].电网与清洁能源，2024，40（8）：141-150.

KIM J，OBREGON J，PARK H，et al. Multi-step photovoltaic power forecasting using transformer and recurrent neural networks[J].Renewable and Sustainable Energy Reviews，2024，200（1）：1-18.

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.

杨鹏伟，赵丽萍，陈军法，等.基于相似时段匹配与Transformer网络建模的分布式光伏超短期功率预测方法[J].中国电力，2024，57（12）：60-70.

SHAKER A，MAAZ M，RASHEED H，et al.Swiftformer：Efficient additive attention for transformer-based real-time mobile vision applications[C]// IEEE/CVF International Conference on Computer Vision，Paris，France，2023：17425-17436.

ZENG A，CHEN M，ZHANG L，et al.Are transformers effective for time series forecasting?[C]//AAAI conference on Artificial Intelligence，Washington，USA，2023，37（9）：11121-11128.

王育飞，汪弦哲，薛花，等.基于BO-SVM和ISO改进的ENN光伏功率超短期预测模型[J].太阳能学报，2025，46（6）:280-288.

卢晓凯，封军，韩永强，等.GraphMLP-Mixer：基于图-多层感知机架构的高效多行为序列推荐方法[J].计算机研究与发展， 2024， 61（8）: 1917-1929.

ZHANG F，WU P，HU C，et al.CAS-FGvit：an efficient convolutional additive mixer for fine-grained classification[J].The Visual Computer，2025，41（1）：1-11.

YAO T，WANG J，WU H，et al.A photovoltaic power output dataset：multi- source photovoltaic power output dataset with Python toolkit[J].Solar Energy，2021，230：122-130.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于VMD-TCN-BiLSTM-Attention的短期电力负荷预测

基于PvIR-DCANet的光伏组件红外图像缺陷检测

基于Attention-LSTM的商业建筑负荷分解研究

基于GRNN与注意力机制模型的非侵入式家用负荷分解

基于改进U-Net的输电线路绝缘子图像分割方法研究