原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
现代计算机第30卷第15期
·84·ModernComputer2024年8月10日
文章编号:1007⁃1423（2024）15⁃0084⁃05DOI:10.3969/j.issn.1007⁃1423.2024.15.015
基于注意力机制的短期光伏功率预测
*
林瑞航，朱宗玖
（安徽理工大学电气与信息工程学院，淮南232001）
摘要：针对传统的光伏功率预测难度大、精度低等问题，提出一种基于注意力机制的短期光伏功率预测模型，将
光伏电站的历史记录数据进行处理后导入到预测模型进行训练，利用CNN局部特征提取功能能力以及BiLSTM处理序
列信号的能力，再结合Attention机制对不同特征进行权重系数分配。选取澳大利亚某光伏电站数据进行模拟仿真，将
Attention⁃CNN⁃BiLSTM模型与LSTM等模型进行对比，验证了该模型有更好的预测精度。
关键词：短期光伏功率预测；注意力机制；卷积神经网络
0引言发电的建模和预测。文献［4］提出结合自适应噪
声互补集成经验模态分解（ICEEMEDAN）与差分
光伏（PV）技术可以直接从太阳光中产生最
自回归移动平均（ARIMA）的长短记忆神经网络
［1］
合适和最理想的能源形式之一，即电力。然
模型，该复合模型充分利用ICEEMDAN对残差
而，就性能而言，这项技术仍然有很大的进步
序列进行分解，可以获得不同频段的IMF，随后
空间，而这正是当今科学和工程的焦点。该转
利用ARIMA对分解后的残差序列进行预测。文
换过程的效率受到许多气候和环境因素的影响，
献［5］提出采用k⁃means聚类算法将初始测量数据
包括太阳辐射、风速、环境温湿度和灰尘，所
按照天气进行分类，随后利用卷积神经网络优化
有这些都会对光伏电池板产生的电力产生影响。
支持向量机（CNN⁃SVM）和卷积神经网络优化双向
从经济角度来看，功率输出是能源系统可靠性
长短时记忆神经网络（CNN⁃BiLSTM）对光伏数据
和稳定性的关键因素。然而，由于光伏发电与
进行预测。文献［6］提出一种利用精英反向学习
那些不可预测的环境条件（例如风速和环境湿
策略改进的灰狼算法优化（IGWO）长短期记忆神
度）之间的关系本质上具有非确定性特征，因此
经网络的预测模型。
［2］
该预测会出现复杂性和非线性。每当研究预
基于以上分析，本文提出一种加入注意力
测和预测问题时，除了机器学习和数据科学之
机制的CNN⁃BiLSTM多维时序光伏预测模型，
外，更有可能遇到
文档评论（0）