多目标改进多元宇宙算法和多层级CNN-LSTM-Attention模型结合的长短期光伏功率预测

党皓严; 吴振奎; 孙洋; 张继红; 张新

doi:10.12404/j.issn.1671-1815.2505849

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (24) :10424-10434 DOI: 10.12404/j.issn.1671-1815.2505849

电工技术

多目标改进多元宇宙算法和多层级CNN-LSTM-Attention模型结合的长短期光伏功率预测

作者信息 +

Long- and Short-term Photovoltaic Power Prediction Based on the Combination of Multi-objective Improved Multivariate Universe Algorithm and Multi-layer CNN-LSTM-Attention Models

Author information +

文章历史 +

摘要

光伏发电的间歇性、多变性与随机性给电网一体化带来重大挑战。针对这一问题,提出一种结合卷积神经网络(convolutional neural network, CNN)、长短期记忆(long short-term memory, LSTM)和注意机制(Attention)的组合预测模型CLA(CNN-LSTM-Attention),能够有效捕捉时间序列中的潜在规律。采用改进的多元宇宙优化算法优化LSTM参数,提升模型的预测能力和鲁棒性。值得一提的是,模型设计无需依赖复杂的数据预处理步骤,展现出良好的通用性和实用性。实验结果显示,该模型在预测精度和稳定性方面优于其他模型,其决定系数(R²)达到0.978,超过了传统模型0.032与 0.039,与最近开发的优化模型相比时,分别比SSA-CL(sparrow search algorithm-CNN-LSTM)和DBO-CL(dung beetle optimizer-CNN-LSTM)模型高0.028和0.023,且误差明显小于其他模型。该方法在实际光伏发电预测中的应用潜力得到验证,为未来电网调度与运行提供了强有力的技术支撑。

Abstract

The intermittent, variable and stochastic nature of photovoltaic power generation poses a major challenge to grid integration. To address this problem, a combined prediction model CNN-LSTM-Attention (CLA) combining convolutional neural network (CNN), long short-term memory (LSTM) and Attention mechanism was proposed, which can effectively capture the potential patterns in time series. An improved multivariate universe optimization algorithm was used to optimize the LSTM parameters to enhance the predictive ability and robustness of the model. It was worth mentioning that the model design did not need to rely on complex data preprocessing steps, demonstrating good versatility and practicality. The introduced Attention mechanism empowered the model to adaptively focus on key historical information, thus significantly improving the prediction accuracy. The experimental results show that the model outperforms other models in terms of prediction accuracy and stability, with a coefficient of determination (R²) of 0.978, which exceeds the traditional models of 0.032 and 0.039, and when compared with the recently developed optimization models, it is 0.028 and 0.023 higher than the sparrow search algorithm-CNN-LSTM(SSA-CL) and dung beetle optimizer-CNN-LSTM(DBO-CL)models, respectively, and the error is significantly smaller than that of the other models. The application potential of this method in real PV power forecasting is verified, providing a strong technical support for future grid scheduling and operation.

Graphical abstract

关键词

光伏发电功率 / 改进多元宇宙算法 / 卷积神经网络(CNN) / 长短期记忆神经网络(LSTM) / 注意力机制

Key words

photovoltaic power generation / improved multi-verse optimizer / convolutional neural network(CNN) / long short-term memory neural networks(LSTM) / Attention mechanism

引用本文

引用格式 ▾

党皓严, 吴振奎, 孙洋, 张继红, 张新. 多目标改进多元宇宙算法和多层级CNN-LSTM-Attention模型结合的长短期光伏功率预测[J]. 科学技术与工程, 2026, 26(24): 10424-10434 DOI:10.12404/j.issn.1671-1815.2505849

DANG Hao-yan, WU Zhen-kui, SUN Yang, ZHANG Ji-hong, ZHANG Xin. Long- and Short-term Photovoltaic Power Prediction Based on the Combination of Multi-objective Improved Multivariate Universe Algorithm and Multi-layer CNN-LSTM-Attention Models[J]. Science Technology and Engineering, 2026, 26(24): 10424-10434 DOI:10.12404/j.issn.1671-1815.2505849

登录浏览全文

4963

注册一个新账户忘记密码

光伏能源作为一种绿色的可再生能源,不受地域限制。随着发展中国家能源需求的不断增长,光伏发电的增长率急剧上升,对电力系统容量构成了重大挑战^[1]。然而,光伏发电的波动性和间歇性对将其集中到现有能源系统构成了巨大挑战。准确的光伏发电功率预测是解决这些问题的好方法,因此,如何提高光伏功率预测的精度和可信性,已成为当前研究的热点问题^[2]。同时,准确的光伏发电功率预测对于电网合理调度、保障电网安全稳定运行具有重要意义。

当前光伏功率预测是清洁能源研究的热点之一,戴朝辉等^[3]提出了一种基于K中心点聚类算法-梯度提升树-粒子群优化算法-长短期记忆神经网络组合模型的光伏功率短期预测方法,通过对数据进行处理将光伏数据分为晴天、雨天、阴天三种天气分别进行预测。刘世鹏等^[4]提出了一种基于长短期时序数据融合的Transformer生成式预测模型,综合时序分析模块(time series analysis,TSA)、时序特征融合模块(time series feature fusion,TSFF)和多周期嵌入模块(cycle Embed),利用数据融合解决难以提取多时间尺度时序特征问题。贺宇轩等^[5]提出了一种改进的BitCN-LSTM(bidirectional temporal convolutional network-long short-term memory)短期光伏功率预测方法,通过KNN-LASSO-PPC(K-nearest neighbors imputation-least absolute shrinkage and selection operator regression-Pearson correlation coefficient)法对数据进行处理以达到最好的预测结果。李国民等^[6]提出了双通道时间卷积与残差注意力机制的风光发电功率预测方法,主要是利用去噪机制处理数据。高天乐等^[7]针对小样本的光伏功率预测提出了一种基于RFI与PFE的光伏功率预测数据处理方法,能够帮助预测模型得到更好的结果。白佳庆等^[8]提出一种基于相似日理论结合极限学习机(extreme learning machine,ELM)的光伏功率预测模型,采用聚类方法将数据分为晴、雨、多云天气分别做出预测。

以上方法均有一个重要的前提,必须对数据进行多重处理,使得预测的结果更加贴近实际,这导致模型缺乏普适性。针对这个问题,近年来优化算法被广泛应用于优化CNN-LSTM网络的参数,以期得到更好的数据回归预测结果。宋煜等^[9]提出了一种基于综合相似日选取的光伏功率预测模型SO-CNN-LSTM,利用蛇优化算法(snake optimization,SO)来寻找LSTM层的最优参数。Mohamad等^[10]利用Coati优化算法增强了CNN-LSTM。优化的超参数提高了学习速度和学习性能。Fan等^[11]提出了Crested Porcupine Optimizer算法和CNN-LSTM-Attention模型结合深度学习方法增强光伏发电短期功率预测。Liu等^[12]采用改进的Aquila优化算法对LSTM神经网络参数进行优化,建立预测实际光伏发电功率的模型。

然而,这些模型需要进行超参数调优,参数的选择决定了模型预测结果的质量,往往需要使用生物启发优化算法来确定模型的最优超参数^[13]。Multi-Verse Optimizer算法源自对多元宇宙中黑洞、白洞和虫洞的运动行为的模拟^[14],对应于算法的探索和开发行为,以精确优化大规模问题。

鉴于此,提出一种改进的多元宇宙算法(improved multi-verse optimizer,IMVO)。该算法通过将种群划分为多个子组,建立多组并行的通信机制,有效提高了初始种群的多样性。具体贡献包括:引入CNN-LSTM-Attention 深度学习模型。该模型融合了卷积神经网络、长短期记忆网络和注意力机制,能够充分提取参数的时空变化特征,使模型有效关注对未来功率预测具有关键影响的历史数据,从而提升预测性能。构建 IMVO-CLA 预测模型。将 IMVO 算法与 CNN-LSTM-Attention 模型相结合,利用改进的多元宇宙算法高效优化 LSTM 网络参数,形成IMVO-CLA(IMVO-CNN-LSTM-Attention) 预测模型,进一步增强模型的预测能力。准确的光伏发电功率预测是保障电力系统安全稳定运行与实时平衡调控的关键技术支撑,能够有效平抑新能源间歇性波动对电网的冲击,并且具有保障能源安全、推动绿色低碳转型、提升新能源产业国际竞争力的战略意义,是实现“双碳”目标与能源自主可控的核心技术支撑。

1 数据预处理

为了提升原始数据中的有效信息占比,降低模型计算压力,提升预测模型性能,须筛除与光伏功率相关性较低的气象特征。皮尔逊相关系数P₍_U_,_V₎是应用广泛的相似性指标,通过计算U、V两个样本间的协方差和标准差来衡量两者的关联程度,可表示为

(1)

${P}_{(U,V)}=\frac{\mathrm{c}\mathrm{o}\mathrm{v}(U,V)}{{\rho }_{U}{\rho }_{V}}$

(2)

$\mathrm{c}\mathrm{o}\mathrm{v}(U,V)=E\left(UV\right)-E\left(U\right)E\left(V\right)$

(3)

${\rho }_{U}{\rho }_{V}=\sqrt{E\left({U}^{2}\right)-{E}^{2}\left(U\right)}\sqrt{E\left({V}^{2}\right)-{E}^{2}\left(V\right)}$

式中:cov(U,V)为U与V的协方差;ρ_U、 ρ_V分别为U和V的标准差;E为数学期望;P_(U,V)> 0 表示正相关,反之则表示负相关,其绝对值越大代表相关性越强。

通过分析公开数据集中的气象参数与实际光伏发电量之间的关系,发现各变量的相关性表现不同。结果(图1)显示,辐照度与发电功率的相关系数最高,达到0.87,表明两者呈现出极强的正相关关系。其次是湿度和温度,相关系数分别为-0.37和0.23,表明湿度与发电量呈负相关,而温度则具有一定的正向影响。风速的相关系数为-0.08,显示出较弱的负相关性。风向和气压对发电功率的影响几乎可以忽略不计,相关性很低。基于这些分析结果,为了有效预测光伏系统的输出功率,建议选择辐照度、温度、湿度和风速作为主要输入特征。

2 模型构建

2.1 CNN

CNN是一类广泛应用于处理欧几里得空间数据的深度前馈神经网络,其核心结构包括卷积层、池化层和全连接层^[15]。CNN通过局部感受野和参数共享机制,有效捕获数据中的局部特征,具有较强的空间结构建模能力。其多层堆叠能够逐步提取不同层级的抽象特征,广泛应用于图像识别,以及时间序列预测等领域。在时间序列预测中,CNN利用卷积运算处理连续的空间或时间数据,展现出显著的优势,能够有效捕捉局部的时间依赖关系和特征信息。模型的层数和深度可以根据具体任务需求灵活调整,以实现最佳性能。

该研究采用了具有卷积核的1D CNN进行时间序列预测,如图2所示。目标是捕获时间序列模式特征并共享参数,从而减少模型优化所需的参数数量和计算复杂度。这种方法提高了模型的训练效率和扩展性。

卷积是CNN最重要的部分,其被用来提取图像的关键特征。在卷积层工作过程中,前一层的特征图与卷积核交互以形成卷积层的输出特征图j。每个输出特征图j可以包含与多个输入特征图的卷积。卷积层计算公式为

(4)

${y}_{j}^{\left(m\right)}=[\sum _{i\in {C}_{j}}{t}_{i}^{(m-1)}\otimes {U}_{i,j}^{\left(m\right)}]+{p}_{j}^{\left(m\right)}$

(5)

${t}_{j}^{\left(m\right)}=f\left[{y}_{j}^{\left(m\right)}\right]$

式中:

${t}_{i}^{\left(m\right)}$

为卷积层m第i个特征图;C_j为一组输入特征图;

${p}_{j}^{\left(m\right)}$

为偏置;

${y}_{j}^{\left(m\right)}$

为卷积的输出;

${U}_{i,j}^{\left(m\right)}$

为卷积核;f为激活函数。

采用线性校正单元(Relu)作为激活函数,其表达式为

(6)

$f\left(x\right)=\mathrm{m}\mathrm{a}\mathrm{x}(0,x)$

池化层,又称为下采样层,主要通过减小图像大小来减少参数的数量,包括平均池化和最大池化等,主要采用最大池化。图2给出了CNN的基本结构以及卷积层与池化层的详细工作步骤。

2.2 LSTM

长短期记忆网络(long short-term memory, LSTM)是Hochreiter & Schmidhuber 提出的一种时间循环神经网络,用于学习长期依赖信息。它的内部存储单元和门机制克服了传统递归神经网络(recurrent neural network,RNN)训练中的部分缺点。门机制包括遗忘门、输入门和输出门。图3显示了一个LSTM单元的结构,其核心计算公式为

(7)

${f}_{t}=\epsilon ({W}_{f}{x}_{t}+{U}_{f}{h}_{\mathrm{t}-1}+{p}_{f})$

(8)

${i}_{t}=\epsilon ({W}_{i}{x}_{t}+{U}_{i}{h}_{\mathrm{t}-1}+{p}_{i})$

(9)

${o}_{t}=\epsilon ({W}_{o}{x}_{t}+{U}_{o}{h}_{\mathrm{t}-1}+{p}_{o})$

(10)

${n}_{t}=\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}({W}_{n}{x}_{t}+{U}_{n}{h}_{\mathrm{t}-1}+{p}_{n})$

(11)

${c}_{t}={f}_{t}☉{c}_{\mathrm{t}-1}+{i}_{t}☉{n}_{t}$

(12)

${h}_{t}={o}_{t}☉\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}\left({c}_{t}\right)$

式中:f_t、i_t、o_t分别为遗忘门、输入门和输出门的开关状态;n_t 为候选记忆细胞;h_t为当前隐藏状态;x_t为输入序列在当前时间步的值;W与U为不同门控机制的权重矩阵;p_f、p_i 、p_o、p_n为偏置向量;c_t为存储单元;ε为sigmoid激活函数;tanh为双曲正切激活函数。

2.3 Attention

CNN-LSTM模型在光伏研究中得到广泛应用。但是,其性能受到计算能力和优化算法的限制^[16]。模型通过引入注意力机制克服了这些局限性,该机制模拟人脑的信息处理并显著提高神经网络处理时空数据的能力。通过将注意力机制集成到短期和长期神经网络中,可以为数据中的隐藏信息分配不同的权重,从而提高时空信息的利用率。

注意力可以被概念化为加权求和,其中权重取决于计算向量之间的相似性。原始注意力包括K和V,它们源自输入特征本身。其中V为向量输入特征,Q和K为用于计算注意力权重的特征向量。图4显示了注意力的结构。首先,通过计算查询(Query)和关键词(Key)之间的相似度或相关性来获得关注度分数,常用的方法包括点积、比例点积和加法关注度。然后,使用softmax函数对关注度得分进行归一化处理,将其转换为代表每个值重要性的概率分布。最后,使用加权求和法根据归一化注意力分数对各值进行加权和求和,从而得出加权平均表示法,突出与查询更相关的信息。式 (13)~式(15)用于获取这些参数。

(13)

${d}_{i}=G(Q,{k}_{i})$

(14)

${\lambda }_{i}=softmax\left({d}_{i}\right)=\frac{{\mathrm{e}}^{{d}_{i}}}{\stackrel{N}{\sum _{i=1}}{\mathrm{e}}^{{d}_{j}}}$

(15)

$Attention\left[\right(\mathrm{K},\mathrm{V}),\mathrm{Q}]=\stackrel{N}{\sum _{i=1}}{\lambda }_{i}{v}_{i}$

式中:d_i为第 i 个元素的注意力得分;G(Q,k_i)为用来计算注意力得分的函数,输入为查询向量 Q和键向量 k_i;λ_i为第 i个元素的注意力权重;d_i、d_j分别为第i、j个元素的相似度值;N为所有元素的总数;v_i为第i个值向量。

3 多元宇宙算法(MVO)

在多元宇宙的概念中,不同的宇宙具有各自的膨胀速率,而每个宇宙的膨胀水平各不相同:膨胀率较高的宇宙更容易生成白洞,而膨胀率较低的宇宙则更容易形成黑洞。通过引入白洞和黑洞之间的传输机制,促使各个宇宙的膨胀率逐步趋于一致。此外,在不同宇宙之间可以建立隧道,确保搜索空间的连通性。同时,虫洞会忽略膨胀率的差异,无规律地出现在任意宇宙中,通过虫洞将当前最优宇宙的信息传递给其他宇宙,从而加快整个多元宇宙向最优解的收敛。

在MVO算法中,每个宇宙代表一个候选解,宇宙的膨胀率对应解的适应度。每个宇宙中的物体对应解的变量,多元宇宙整体组成一个种群。假设随机生成的宇宙矩阵为

(16)

$\mathrm{H}=\left[\begin{array}{l}{H}_{1}\\ {H}_{2}\\ ︙\\ {H}_{n}\end{array}\right]=\left[\begin{array}{llll}{x}_{1}^{1}& {x}_{1}^{2}& \dots & {x}_{1}^{l}\\ {x}_{2}^{1}& {x}_{2}^{2}& \dots & {x}_{2}^{l}\\ ︙& ︙& & ︙\\ {x}_{n}^{1}& {x}_{n}^{2}& \dots & {x}_{n}^{l}\end{array}\right]$

式(16)中:l为参数的个数;n为宇宙的数量,即候选解的个数;H_n为第n个宇宙。

为了保证MVO算法求解的效率,每次迭代时,计算每个宇宙膨胀率并做数据归一化处理,再采用轮盘对赌机制选出宇宙中高膨胀率的物体,其数学模型如式(17)所示,该物体将通过白洞-黑洞隧道传送到当前最优宇宙。

(17)

${x}_{i}^{j}=\left\{\begin{array}{ll}{x}_{i}^{j},& {r}_{1}\ge \mathrm{N}\mathrm{I}\left({H}_{i}\right)\\ {x}_{s}^{j},& {r}_{1}<\mathrm{N}\mathrm{I}\left({H}_{i}\right)\end{array}\right.$

式(17)中:

${x}_{i}^{j}$

为第i个宇宙的j维参数;NI(H_i)为第i个宇宙的归一化膨胀率;r₁为[0,1]范围内的随机数;

${x}_{s}^{j}$

为由轮盘对赌机制选取的第s个宇宙的j维参数。

根据式(16)、式(17),白洞和黑洞的生成采用轮盘对赌机制随机决定。为了在宇宙的迭代过程中保持多样性并增强搜索能力,还引入虫洞的概念。在多元宇宙中,虫洞会随机出现,通过这一机制,当前的最优宇宙可以将信息传递给其他宇宙,从而有效避免求解陷入局部最优。

(18)

$\alpha =[{V}_{(\mathrm{m}\mathrm{a}\mathrm{x},j)}-{V}_{(\mathrm{m}\mathrm{i}\mathrm{n},j)}]{r}_{4}+{V}_{(\mathrm{m}\mathrm{i}\mathrm{n},j)}$

(19)

${x}_{i}^{j}=\left\{\begin{array}{ll}{x}_{j}+\mathrm{T}\mathrm{D}\mathrm{R}\alpha,& {r}_{2}<\mathrm{W}\mathrm{E}\mathrm{P};{r}_{3}<0.5\\ {x}_{j}-\mathrm{T}\mathrm{D}\mathrm{R}\alpha,& {r}_{2}<\mathrm{W}\mathrm{E}\mathrm{P};{r}_{3}\ge 0.5\\ {x}_{i}^{j},& {r}_{2}\ge \mathrm{W}\mathrm{E}\mathrm{P}\end{array}\right.$

式中:r₂、r₃、r₄为[0,1]范围内的随机数;x_j为迭代到当前次数为止的第j个最佳宇宙,虫洞存在概率(wormhole existence probability, WEP)和虫洞旅行距离速率(travelling distance rate, TDR)为两个不同的系数;V_(max,_j₎、V_(min,_j₎分别为第j个宇宙的上下边界。

WEP和TDR是MVO算法中的重要参数,迭代寻优过程中,WEP主要作用为探索能力,而TDR控制个体的寻优能力,其数学表达式为

(20)

$\left\{\begin{array}{l}\mathrm{W}\mathrm{E}\mathrm{P}=\mathrm{W}\mathrm{E}{\mathrm{P}}_{\mathrm{m}\mathrm{i}\mathrm{n}}+t\left(\frac{\mathrm{W}\mathrm{E}{\mathrm{P}}_{\mathrm{m}\mathrm{a}\mathrm{x}}-\mathrm{W}\mathrm{E}{\mathrm{P}}_{\mathrm{m}\mathrm{i}\mathrm{n}}}{T}\right)\\ \mathrm{T}\mathrm{D}\mathrm{R}=1-\frac{{t}^{1/a}}{{T}^{1/a}}\end{array}\right.$

式(20)中:WEP_min和WEP_max分别为人为给定的WEP最小和最大值参数;t为当前迭代次数;T为最大迭代次数;a为TDG的限制参数。

4 IMVO

MVO算法参数少、易实现,通过白洞、黑洞和虫洞等机制,使算法在全局搜索方面表现出色,能有效避免局部最优。相较于传统算法,如遗传算法和粒子群优化算法等,MVO对初始参数的敏感性较低,减少了人工调参的工作量等优势。尽管有较强的全局搜索能力,但在解决复杂优化问题时,MVO算法表现出一些固有的缺陷。例如,它在搜索过程中早期就失去了种群多样性,容易过早收敛,陷入局部最优解空间。针对上述不足,提出一种改进的分组优化算法IMVO。

为了提高MVO算法的种群多样性,可以通过将种群划分为子组来创建并行,这些子组用原始算法进行评估。多组通信机制的目的是提高宇宙的多样性。在多组策略中,宇宙中初始行星的数量被分成K个子群,不同群体中的宇宙会交换信息,加强它们的合作,这将有助于提高行星的多样性,避免搜索停滞。不同群体之间的通信机制(P为设为常数的群体数量)每设置特定的周期R次触发一次。宇宙的位置数学建模为

(21)

${x}_{i}^{j}=x+({x}_{\mathrm{*}}-{x}_{i}^{j}){r}_{5}$

式(21)中:r₅为在[0,1]中随机生成的数;x_*为在不同组中的第g组中计算出的最佳获得的宇宙,x_*是从分组中选择的,其计算公式为

(22)x_*=

$\left\{\begin{array}{ll}{x}_{\mathrm{*}}^{1}& {r}_{6}\le 0.25\\ \frac{1}{2}({x}_{\mathrm{*}}^{1}+{x}_{\mathrm{*}}^{2}),& 0.25\le {r}_{6}\le 0.5\\ \frac{1}{3}({x}_{\mathrm{*}}^{1}+{x}_{\mathrm{*}}^{2}+{x}_{\mathrm{*}}^{3}),& 0.5\le {r}_{6}\le 0.75\\ \frac{1}{4}({x}_{\mathrm{*}}^{1}+{x}_{\mathrm{*}}^{2}+{x}_{\mathrm{*}}^{3}+{x}_{\mathrm{*}}^{4}),& 0.75\le {r}_{6}\le 1\end{array}\right.$

式(22)中:r₆为在[0,1]中随机生成的数。

5 基于IMVO-CLA的光伏发电功率预测

5.1 利用IMVO求解长短期记忆神经网络的超参数

IMVO用于解决LSTM的最优超参数。IMVO的流程如图5所示。基于IMVO方法的参数优化的具体实现步骤如下。

步骤1 输入开源数据集的时间序列,光伏发电数据、气象数据,如辐照度、温度、湿度等信息。

步骤2 初始化IMVO方法的参数,主要包括种群的数量(pop)、最大迭代次数(T)、维度(l)、参数的范围[WEP_min、WEP_max、V_(min,_j₎、V_(max,_j₎]等。

步骤3 以验证集均方差为适应度函数,求解LSTM的超参数使得预测的结果更准确。使用式(23)计算粒子的适应度并根据适应度值进行排序。本文适应度值为MSE。

步骤4 根据式(21)、式(22)将初始宇宙分为4个子组,增加求解多样性。

步骤5 根据式(16)~式(20)的结果对黑洞、白洞与虫洞的位置进行排序。随后,需要判断参数是否满足边界条件,若有参数超出限制,则随机生成范围内新的参数。

步骤6 将更新后的组放回种群并根据适应度值进行排序,方法与步骤3~步骤5相同。

步骤7 重复步骤3~步骤6,直到满足结束条件。如果达到终止条件,则结束并输出最优解。最优解为MSE最小的学习率和LSTM神经元个数两个超参数。

5.2 IMVO-CNN-LSTM-Attention

在光伏发电预测中,输入不仅包括PV功率本身的历史数据,而且还包括影响PV发电的附加因素,如辐射和温度。模型的输出是目标变量的预测值,即光伏发电量。建立CNN-LSTM-Attention光伏功率预测模型,并使用IMVO优化了LSTM参数。整个过程如图5所示。模型的输入层接收时间序列数据,包括光伏发电功率和其他相关变量。CNN组件首先通过卷积运算提取局部特征,然后进行批量归一化和ReLU激活,并执行最大池化。然后再次应用卷积来提取更高级别的特征。这些特征图随后被馈送到LSTM组件中,该组件由多个LSTM单元组成,这些单元捕获时间上的长期依赖关系。

将数据集以8∶2的比例划分为训练集和测试集,并进行归一化。在训练阶段,IMVO优化程序迭代运行以开发新的候选解决方案,并使用适应度函数更新每个候选的适应度值,全局搜索更好的参数设置。接下来,该过程检查是否已经达到最大迭代次数或最高适应度值。如果不满足这些终止条件,则IMVO继续优化CLA参数。否则,更新CLA模型的最佳参数。在测试阶段,通过IMVO找到的LSTM全局最优解用于优化CLA模型。最后,使用所提出的参数评估CLA模型在测试数据集上的性能。

5.3 目标函数与评价参数

目标函数均方误差(mean squared error,MSE)在式(23)中详细描述,计算预测的光伏功率输出和模型输出的实际值之间的平方差的平均值。目标函数的值越低越理想,而最小化均方误差可以提高预测精度和模型拟合能力。对于模型性能评估,采用三个参数:均方根误差(root mean squared error,RMSE)和平均绝对误差(root mean squared error,MAE),这两个参数均用作预测偏倚指标,量化实际值和预测值之间相关性的R²如式(26)。在回归分析中,R²接近1表示自变量的解释能力强于因变量。

(23)

$MSE=\frac{1}{c}\stackrel{c}{\sum _{i=1}}({y}_{i}-{z}_{i}{)}^{2}$

(24)

$RMSE=\sqrt{\frac{1}{c}\stackrel{c}{\sum _{i=1}}({y}_{i}-{z}_{i}{)}^{2}}$

(25)

$MAE=\frac{1}{c}\stackrel{c}{\sum _{i=1}}\left|{y}_{i}-{z}_{i}\right|$

(26)

${R}^{2}=1-\frac{\stackrel{c}{\sum _{i=1}}({y}_{i}-{z}_{i}{)}^{2}}{\stackrel{c}{\sum _{i=1}}{\left({y}_{i}-\frac{1}{c}\stackrel{c}{\sum _{i=1}}{y}_{i}\right)}^{2}}$

式中:y_i为实际的光伏发电功率数据;z_i为预测值;c为测试集的数目。

6 系统参数与结果分析

6.1 系统参数

为了统一不同气象特征的单位和数值范围,便于后续的数据分析和建模,采用公开数据集,该数据集覆盖2017—2018年的时间段,选择数据集中2018年的数据。为了多元评估所提出的IMVO-CLA模型的预测能力,根据上述的评价指标,在本节中与光伏发电功率预测常用的模型进行了比较分析。预测模型训练的部分参数如表1所示。

在IMVO-CLA模型中,IMVO用于优化LSTM的2个参数:神经元数量和学习速率。在继续之前,必须设置初始参数,以训练IMVO。根据IMVO黑洞、白洞与虫洞策略更新个体适应度,然后搜索全局最优解。表2列出了IMVO参数的详细信息,图6说明了IMVO的适应度曲线,图7说明了IMVO-CLA模型的训练和测试损失。

从图6可以看出,IMVO优化过程在第8次迭代时达到最优,最优适应度值为MSE。表明IMVO求解精度更高,有更好的跳出局部最优的能力。为LSTM产生了两个全局最优解:第一层89个单元,学习率为0.033 01。利用这些参数,CLA模型被用来训练和测试PV预测数据。如图7所示,模型的损失曲线明显重叠,反映了训练和测试阶段之间的一致结果。突出了IMVO在增强鲁棒性、有效整合信息和加强预测精度方面的有效性。这一分析证实了IMVO算法更有效地优化模型参数。通过与其他优化算法和模型的比较,进一步验证了IMVO-CLA模型在光伏预测中的有效性。

6.2 结果与分析

6.2.1 长期功率预测

由于使用了开源的大型光伏数据集,采样频率为15 min,因此得到的功率预测曲线包含许多数据点,不利于显示。因此,选取其前1 300个08:00—18:00数据点,与现有算法的对比如图8所示,与传统模型的对比如图9所示。

表3展示了各模型的预测指标。与传统模型相比,IMVO-CLA模型的R²达到0.978,分别超过CNN-LSTM和LSTM模型0.032和0.039;与近期开发的优化模型相比,分别比SSA-CL和DBO-CL模型高出0.028和0.023。同时可以看出,注意力机制的引入有效提升了模型性能,MVO-CLA的R²较MVO-CL模型提高0.011,此外,IMVO-CLA的RMSE和MAE指标也最低,表明IMVO算法有效优化了LSTM参数,增强了模型的泛化能力。为保证IMVO-CLA模型预测的稳定性,采用两个开源数据集进行泛化实验,以确保模型在其他数据中仍具有良好的表现。

6.2.2 短期功率预测

由于以往的短期功率预测研究中为了较好的预测结果,多用聚类等数据预处理方法将光伏数据分类,以便达到机器学习过程中数据差异度较小的目的^[17-20]。这虽然有助于提高预测的准确性,却破坏了数据的时序,同时,无法验证在功率突变时,模型是否能够保证预测的稳定性。为此,选取春夏秋冬四季数据集中的4个典型月做短期功率预测。

(1)3月的预测结果。从图10中可以看出,IMVO-CLA的R²最大达到0.973且MAE最小,显示了该模型的优势。通过观察图11可以看出,IMVO-CLA模型的表现最好,尤其是在样本数据第5天时光伏发电功率比上一天突降,该模型预测数据最接近真实值。

(2)6月的预测结果。由图12可知,6月光伏的波动较大导致各个模型结果都不佳,但仍可以看出IMVO-CLA的R²依然最大且MAE最小,显示了该模型的优势。通过观察图13可以看出,IMVO-CLA模型在数据连续变化时结果优于其他模型。

(3)9月的预测结果。观察图14可知,在9月数据预测中IMVO-CLA大大领先于其余模型R²高于其他模型,显示了该模型的优势,MAE也大幅小于其余模型。从图15可以看出,IMVO-CLA在数据突变时能做出良好的预测效果。

(4)12月的预测结果。由于数据集1中12月的数据不完整,故而选择另一数据集10中的12月份数据,不仅保证了数据没有缺失值,同时使用两个开源数据做泛化实验,确保模型在其余的数据中依然有好的表现。

观察图16可以看出,替换数据集后各个模型的R²都有下滑,然而IMVO-CLA的R²依然最大且MAE最小,体现出该模型在不同数据下依然保持良好的竞争性。观察图17可以看出,第5、第6天的光伏发电量明显降低导致各个模型都出现较大的偏差,IMVO-CLA仍然能够保持接近真实值。

7 结论

提出一种新的光伏发电时序预测模型IMVO-CLA,旨在应对该领域面临的若干挑战。该模型将深度学习中的注意力机制与改进的多元宇宙优化算法有效集成至CNN-LSTM架构中,从而增强对历史数据中关键时序信息的捕捉能力。该方法在无需复杂预处理的条件下,保留了时间序列的连续性,利用目标变量及其相关时间序列作为输入,有效提升了预测的准确性与稳定性。得出如下结论。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Gaviria J F, Narváez G, Guillen C, et al. Machine learning in photovoltaic systems: a review[J]. Energy, 2022, 196, 298-318.

[2]	臧鹏发, 王珂琪, 张中伟, 等. 基于多特征提取的超短期光伏发电功率预测研究[J]. 激光与光电子学进展, 2025, 62(5): 333-343.

[3]	Zang Pengfa, Wang Keqi, Zhang Zhongwei, et al. Research on ultra-short-term photovoltaic power generation forecasting based on multi-feature extraction[J]. Laser & Optoelectronics Progress, 2025, 62(5): 333-343.

[4]	戴朝辉, 陈昊, 刘莘轶, 等. 基于K-medoids-GBDT-PSO-LSTM组合模型的短期光伏功率预测[J]. 太阳能学报, 2025, 46(1): 654-661.

[5]	Dai Zhaohui, Chen Hao, Liu Shenyi, et al. Short-term photovoltaic power forecasting based on the hybrid model of K-medoids-GBDT-PSO-LSTM[J]. Acta Energiae Solaris Sinica, 46(1): 654-661.

[6]	刘世鹏, 宁德军, 马崛. 针对光伏发电功率预测的LSTformer模型[J]. 计算机工程与应用, 2024, 60(9): 317-325.

[7]	Liu Shipeng, Ning Dejun, Ma Jue. LSTformer model for photovoltaic power generation forecasting[J]. Computer Engineering and Applications, 2024, 60(9): 317-325.

[8]	贺宇轩, 王锟, 曾进辉, 等. 基于KNN-LASSO-PPC法的改进BitCN-LSTM短期光伏功率预测[J]. 电子测量技术, 2025, 48(15): 42-51.

[9]	He Yuxuan, Wang Kun, Zeng Jinhui, et al. Improved BitCN-LSTM short-term photovoltaic power forecasting based on KNN-LASSO-PPC method[J]. Electronic Measurement Technology, 2025, 48(15): 42-51.

[10]	李国民, 张君, 李庚银, 等. 基于双通道时间卷积与残差注意力机制的风光发电功率预测[J/OL]. (2025-05-14)[2026-05-15]. https://kns.cnki.net/kcms/detail/10.1999.TM.20250514.1014.002.html.

[11]	Li Guomin, Zhang Jun, Li Gengyin, et al. Wind and solar power generation forecasting based on dual-channel temporal convolution and residual attention mechanism[J/OL]. (2025-05-14)[2026-05-15]. https://kns.cnki.net/kcms/detail/10.1999.TM.20250514.1014.002.html.

[12]	高乐天, 顾文波. 基于RFI与PFE的光伏功率预测数据挖掘方法[J]. 太阳能学报, 2025, 46(4): 256-262.

[13]	Gao Letian, Gu Wenbo. Photovoltaic power forecasting data mining method based on RFI and PFE[J]. Acta Energiae Solaris Sinica, 2025, 46(4): 256-262.

[14]	白佳庆, 张东, 刘权, 等. 基于相似日和EM-ELM的短期光伏功率预测[J]. 沈阳师范大学学报(自然科学版), 2024, 42(4): 364-371.

[15]	Bai Jiaqing, Zhang Dong, Liu Quan, et al. Short-term photovoltaic power forecasting based on similar days and EM-ELM[J]. Journal of Shenyang Normal University (Natural Science Edition), 2024, 42(4): 364-371.

[16]	宋煜, 许野, 刘锋平, 等. 基于综合相似日选取的SO-CNN-LSTM光伏功率预测模型研究[J]. 太阳能学报, 2025, 46(4): 301-312.

[17]	Song Yu, Xu Ye, Liu Fengping, et al. Research on a solar power forecasting model based on composite similar day selection using SO-CNN-LSTM[J]. Acta Energiae Solaris Sinica, 2025, 46(4): 301-312.

[18]	Mohamad A H, Syed M S B, Muhammad H Z, et al. COA-CNN-LSTM: coati optimization algorithm-based hybrid deep learning model for PV/wind power forecasting in smart grid applications[J]. Applied Energy, 2023, 349: 121638.

[19]	Fan Y, Ma Z, Tang W, et al. Using crested porcupine optimizer algorithm and CNN-LSTM-Attention model combined with deeplearning methods to enhance short-term power forecasting in PV generation[J]. Energies, 2024, 17: 3435.

[20]	Liu L, Li Y. Research on a photovoltaic power prediction model based on an IAO-LSTM optimization algorithm[J]. Processes, 2023, 11: 1957.

[21]	Iweh C D, Akupan E R. Control and optimization of a hybrid solar PV—hydropower system for off-grid applications using particle swarm optimization (PSO) and differential evolution (DE)[J]. Energy Reports, 2023, 10: 4253-4270.

[22]	朱冰, 夏天. 多元宇宙优化估算锂离子电池的SOC与SOH[J]. 电池, 2024, 54(5): 688-692.

[23]	Zhu Bing, Xia Tian. Multiverse optimization estimation of SOC and SOH for lithium-ion batteries[J]. Battery Bimonthly, 2024, 54(5): 688-692.

[24]	Al-Ja’afreh M A A, Mokryani G, Amjad B. An enhanced CNN-LSTM based multi-stage framework for PV and load short-term forecasting: DSO scenarios[J]. Energy Reports, 2023, 10: 1387-1408.

[25]	Gao B, Huang X, Shi J, et al. Hourly forecasting of solar irradiance based on CEEMDAN and multi-strategy CNN-LSTM neural networks[J]. Renew Energy, 2020, 162: 1665-1683.

[26]	唐晓乐, 康滟婷, 卢浩. 基于双层分解和改进多目标浣熊优化算法的BiLSTM光伏功率预测[J]. 太阳能学报, 2026, 47(3): 635-643.

[27]	Tang Xiaole, Kang Yanting, Lu Hao. BiLSTM photovoltaic power forecasting based on double decomposition and improved multi-objective raccoon optimization algorithm[J]. Acta Energiae Solaris Sinica, 2026, 47(3): 635-643.

[28]	文爽, 马逸骋, 孙志强. 基于GWO-EEMD-BP神经网络的光伏发电功率短期预测[J]. 中南大学学报(自然科学版), 2022, 53(12): 4799-4808.

[29]	Wen Shuang, Ma Yicheng, Sun Zhiqiang. Short-term photovoltaic power generation forecasting based on GWO-EEMD-BP neural network[J]. Journal of Central South University(Science and Technology), 2022, 53(12): 4799-4808.

[30]	李争, 张杰, 徐若思, 等. 基于相似日聚类和PCC-VMD-SSA-KELM模型的短期光伏功率预测[J]. 太阳能学报, 2024, 45(2): 460-468.

[31]	Li Zheng, Zhang Jie, Xu Ruosi, et al. Short-term photovoltaic power forecasting based on similar day clustering and PCC-VMD-SSA-KELM model[J]. Acta Energiae Solaris Sinica, 2024, 45(2): 460-468.

[32]	冯沛儒, 江桂芬, 徐加银, 等. 基于CEEMD-BiLSTM-RFR的短期光伏功率预测[J]. 科学技术与工程, 2024, 24(5): 1955-1962.

[33]	Feng Peiru, Jiang Guifen, Xu Jiayin, et al. Short-term photovoltaic power forecasting based on CEEMD-BiLSTM-RFR[J]. Science Technology and Engineering, 2024, 24(5): 1955-1962.

基金资助

中央引导地方科技发展资金(2023ZY0020)

内蒙古自治区自然科学基金(2025SHZR2216)

内蒙古工业大学开放基金(2024KF03)

内蒙古自治区新型重要能源综合利用技术集成攻关大平台建设项目(2023PTXM001)

PDF (14062KB)

访问

被引

详细

导航

Received	Published	Revised
2025-08-10	2026-08-28	2026-01-09
Online Date
2026-09-04

摘要