基于时空双流网络与多重注意力的光伏功率预测

李恒杰; 隆贤华; 周云; 冯冬涵; 马喜平

doi:doi:10.19912/j.0254-0096.tynxb.2024-1741

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于时空双流网络与多重注意力的光伏功率预测

更新时间：2026-03-06

- 基于时空双流网络与多重注意力的光伏功率预测
- 基于时空双流网络与多重注意力的光伏功率预测
- 太阳能学报 2026年47卷第2期页码：51-59
- 作者机构：
- 作者简介：
- 基金信息：
  
  国家自然科学基金（52167014）;智能电网国家科技重大专项（2024ZD0800400）
- DOI：doi:10.19912/j.0254-0096.tynxb.2024-1741
  中图分类号： TM615
- 网络首发：2026-03-05，
  
  纸质出版：2026-03-05
- 稿件说明：
移动端阅览
李恒杰, 隆贤华, 周云, 等. 基于时空双流网络与多重注意力的光伏功率预测[J]. 太阳能学报, 2026,47(2):51-59.

李恒杰, 隆贤华, 周云, et al. 基于时空双流网络与多重注意力的光伏功率预测[J]. 2026, 47(2): 51-59.
李恒杰, 隆贤华, 周云, 等. 基于时空双流网络与多重注意力的光伏功率预测[J]. 太阳能学报, 2026,47(2):51-59. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1741.

李恒杰, 隆贤华, 周云, et al. 基于时空双流网络与多重注意力的光伏功率预测[J]. 2026, 47(2): 51-59. DOI： doi:10.19912/j.0254-0096.tynxb.2024-1741.

摘要

针对光伏发电的间歇性和随机性给光伏功率预测带来的准确性不足问题

提出基于时空双流网络与多重注意力的短期光伏功率预测模型。模型结合ModernTCN、ITransformer、GRU及TimesNet网络

充分挖掘光伏发电的空间分布特性和时间序列动态性

利用迭代交叉注意力机制有效融合独立提取的特征

形成包含丰富时空信息的特征向量

从而有效提升光伏功率的短期预测精度。实验结果证实

该模型在预测精度方面要优于现有主流时序模型。

Abstract

For accuracy limitations in photovoltaic （PV） power prediction due to the intermittent and stochastic nature of PV power generation

this study proposes a short-term PV power prediction model based on spatio-temporal dual-stream networks and multi-attention. The model integrates networks ModernTCN

ITransformer

GRU

and TimesNet networks

effectively exploring the spatial distribution characteristics and temporal dynamics of PV power generation. In addition

the model fuses extracted features

and generates feature vectors rich in Spatio-Temporal information by an iterative cross-attention feature mechanism. Experimental results demonstrate that the model is superior to the current mainstream timing series models in terms of prediction accuracy.

关键词

Keywords

references

KABIR E, KUMAR P, KUMAR S, et al.Solar energy: potential and future prospects[J]. Renewable and sustainable energy reviews, 2018, 82: 894-900.

WANG K J, QI X X, LIU H D.A comparison of day-ahead photovoltaic power forecasting models based on deep learning neural network[J]. Applied energy, 2019, 251: 113315.

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.

VOYANT C, NOTTON G, KALOGIROU S, et al.Machine learning methods for solar radiation forecasting: a review[J]. Renewable energy, 2017, 105: 569-582.

马原, 张雪敏, 甄钊, 等. 基于修正晴空模型的超短期光伏功率预测方法[J]. 电力系统自动化, 2021, 45(11): 44-51.

KRISHNAN N, KUMAR K R, INDA C S.How solar radiation forecasting impacts the utilization of solar energy: a critical review[J]. Journal of cleaner production, 2023, 388: 135860.

林帆, 张耀, 东琦, 等. 基于分位数插值和深度自回归网络的光伏出力概率预测[J]. 电力系统自动化, 2023, 47(9): 79-87.

RAZA M Q, NADARAJAH M, EKANAYAKE C.On recent advances in PV output power forecast[J]. Solar energy, 2016, 136: 125-144.

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.

李宏扬, 高丙朋. 基于改进VMD和SNS-Attention-GRU的短期光伏发电功率预测[J]. 太阳能学报, 2023, 44(8): 292-300.

王粟, 江鑫, 曾亮, 等. 基于VMD-DESN-MSGP模型的超短期光伏功率预测[J]. 电网技术, 2020, 44(3): 917-926.

王开艳, 杜浩东, 贾嵘, 等. 基于相似日聚类和QR-CNN-BiLSTM模型的光伏功率短期区间概率预测[J]. 高电压技术, 2022, 48(11): 4372-4388.

王东风, 刘婧, 黄宇, 等. 结合太阳辐射量计算与CNN-LSTM组合的光伏功率预测方法研究[J]. 太阳能学报, 2024, 45(2): 443-450.

王剑斌, 傅金波, 陈博. 基于强化学习的多模型融合光伏发电功率预测方法[J]. 太阳能学报, 2024, 45(6): 382-388.

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.

武新章, 王泽宇, 代伟, 等. 基于异质聚类与Stacking的双集成光伏发电功率预测[J]. 电网技术, 2023, 47(1): 275-284.

唐雅洁, 林达, 倪筹帷, 等. 基于XGBoost的双层协同实时校正超短期光伏预测[J]. 电力系统自动化, 2021, 45(7): 18-27.

张家安, 郝峰, 董存, 等. 基于两阶段不确定性量化的光伏发电超短期功率预测[J]. 太阳能学报, 2023, 44(1): 69-77.

武宇翔, 韩肖清, 牛哲文, 等. 融合多注意力深度神经网络的可解释光伏功率区间预测[J]. 电网技术, 2024, 48(7): 2928-2939.

董俊, 刘瑞, 束洪春, 等. 基于BIRCH聚类的L-Transformer分布式光伏短期发电功率预测[J]. 高电压技术, 2024, 50(9): 3883-3893.

牛甲俊, 张薇, 许达明. 基于FCM和ITransformer-TCN的短期风电集群功率预测[J].东北电力大学学报, 2024, 44(1):9-16.

FANG B L, XU L, LUO Y J, et al.a method for short-term electric load forecasting based on the FMLP-iTransformer model[J]. Energy reports, 2024, 12: 3405-3411.

ZUO C H, WANG J L, LIU M P, et al.An ensemble framework for short-term load forecasting based on TimesNet and TCN[J]. Energies, 2023, 16(14): 5330.

LUO D H, WANG X. ModernTCN: a modern pure convolution structure for general time series analysis[C]//International Conference on Learning Representations (2024).

YAO D C, TANG B, YANG J W, et al.Patch ModernTCN-Mixer: a dual-task temporal convolutional network framework for hybrid implementation of first prediction time detection and remaining useful life prognosis[J]. Measurement science and technology, 2024, 35(11): 116011.

张童彦, 廖清芬, 唐飞, 等. 基于气象资源插值与迁移学习的广域分布式光伏功率预测方法[J]. 中国电机工程学报, 2023, 43(20): 7929-7940.

毕贵红, 赵鑫, 陈臣鹏, 等. 基于多通道输入和PCNN-BiLSTM的光伏发电功率超短期预测[J]. 电网技术, 2022, 46(9): 3463-3476.

SHEN J F, CHEN Y F, LIU Y, et al.ICAFusion: Iterative cross-attention guided feature fusion for multispectral object detection[J]. Pattern recognition, 2024, 145: 109913.

XIAO D, MENG Q Y, LI S P, et al.Improving transformers with dynamically composable multi-head attention[C]//International Conference on Machine Learning. 2024.

KHAN Z A, HUSSAIN T, BAIK S W.Dual stream network with attention mechanism for photovoltaic power forecasting[J]. Applied energy, 2023, 338: 120916.

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AM和CNN的多级特征融合的风力发电机轴承故障诊断方法

优化变分模态分解下NRBO-LSTM-Attention修正预测风速的风电功率短期预测

基于深度残差注意力网络的光伏组件分割

基于IDBO优化的BiTCN-BiLSTM-SA光伏组件积灰预测

基于OC4浮式基础的海上漂浮式光伏平台的运动响应特性研究