01 基本信息
摘要： 为解决光伏功率输出受光照、温度、气象条件等因素影响导致的强波动性与时序依赖性问题，本文构建了CNN-BiLSTM-Attention（卷积神经网络-双向长短期记忆网络-注意力机制）融合预测模型。模型首先对光伏相关数据集（如历史功率、气象特征）进行预处理（划分训练/测试集、归一化、维度重塑），再通过CNN层提取光伏数据中的局部时空特征（如短期气象突变对功率的影响）；引入SE（Squeeze-and-Excitation）通道注意力机制，对CNN提取的特征进行通道权重分配，强化关键特征（如光照强度特征）的贡献、抑制冗余信息；随后通过BiLSTM层捕捉光伏功率的长短期时序依赖关系（如日内功率变化趋势、多日周期规律）；最终经全连接层与回归层输出光伏功率预测值。模型采用Adam优化器训练，以均方根误差（RMSE）、决定系数（R²）等为评价指标，实现对光伏功率的高精度预测，为光伏电站的功率调度与并网稳定提供支撑。程序运行环境： matlab2020+版本，注释清晰，效果好！数据： 光伏数据包括太阳辐照度、温度和出力数据
02 主要内容
2.1 CNN 层：提取局部时空特征
光伏功率受短期局部因素影响显著（如1小时内云层遮挡导致的功率骤降），CNN通过卷积核滑动实现局部特征提取------将输入特征（如光照、温度）映射为高维特征图，捕捉特征间的局部关联（如光照强度与功率的短期非线性关系）。卷积层的核心公式如下：
上式中，Y为输出特征图，X为输入特征图，σ为激活函数。
2.2 SE注意力机制：通道权重分配
CNN提取的64维特征通道中，不同通道对光伏功率的影响差异显著（如"光照强度通道"比"湿度通道"更重要）。SE（Squeeze-and-Excitation）注意力通过"压缩-激励"两步，为每个通道分配自适应权重，强化关键通道特征，抑制冗余信息，提升模型对重要特征的敏感度。
2.3 BiLSTM层：捕捉长短期时序依赖
光伏功率具有显著的时序连续性（如日内功率从低到高再到低的趋势、多日功率受天气周期影响的规律），LSTM（长短期记忆网络）通过"遗忘门、输入门、输出门"解决传统RNN的梯度消失问题，而BiLSTM同时从"前向时序"（过去→现在）和"反向时序"（未来→现在）学习依赖关系，更全面捕捉光伏功率的时序特征。
03 部分代码
.rtcContent { padding: 30px; } .lineNode {font-size: 10pt; font-family: Menlo, Monaco, Consolas, "Courier New", monospace; font-style: normal; font-weight: normal; }warning off % 关闭报警信息close all % 关闭开启的图窗clear % 清空变量clc % 清空命令行tic% restoredefaultpath%% 导入数据res = xlsread('data1.xlsx');%% 数据分析num_size = 720; % 训练集占数据集比例outdim = 1; % 最后一列为输出num_samples = size(res, 1); % 样本个数% res = res(randperm(num_samples), :); % 打乱数据集（不希望打乱时，注释该行）num_train_s = 720; % 训练集样本个数f_ = size(res, 2) - outdim; % 输入特征维度%% 划分训练集和测试集P_train = res(1: num_train_s, 1: f_)';T_train = res(1: num_train_s, f_ + 1: end)';M = size(P_train, 2);P_test = res(num_train_s + 1: end, 1: f_)';T_test = res(num_train_s + 1: end, f_ + 1: end)';N = size(P_test, 2);%% 数据归一化[p_train, ps_input] = mapminmax(P_train, 0, 1);p_test = mapminmax('apply', P_test, ps_input);[t_train, ps_output] = mapminmax(T_train, 0, 1);t_test = mapminmax('apply', T_test, ps_output);%% 数据平铺% 将数据平铺成1维数据只是一种处理方式% 也可以平铺成2维数据，以及3维数据，需要修改对应模型结构% 但是应该始终和输入层数据结构保持一致p_train = double(reshape(p_train, f_, 1, 1, M));p_test = double(reshape(p_test , f_, 1, 1, N));t_train = double(t_train)';t_test = double(t_test )';
04 运行结果
优秀的预测代码能够帮文章增色不少，专门研究预测方向的同学可以研究此代码并开展对比分析，其他电力方向的同学可以在预测的基础上开展调度以及配置等研究