增强的光伏功率预测：融合时间与协变量交互的iTransformer与LSTM模型
机器学习
2025-05-08 v2 人工智能
摘要
准确的光伏（PV）功率预测对于将可再生能源并入电网、优化实时能源管理以及确保日益增长需求下的能源可靠性至关重要。然而，现有模型通常难以有效捕捉目标变量与协变量之间的复杂关系，以及时间动态与多变量数据之间的交互，导致预测精度欠佳。为解决这些挑战，我们提出了一种新颖的模型架构，利用iTransformer对目标变量进行特征提取，并采用长短期记忆网络（LSTM）对协变量进行特征提取。通过交叉注意力机制融合两个模型的输出，随后使用Kolmogorov-Arnold网络（KAN）进行映射以增强表示。使用澳大利亚的公开数据集，并在四个季节进行了实验，验证了所提模型的有效性。结果表明，该模型能够有效捕捉光伏发电的季节性变化并提高预测精度。
关键词
引用
@article{arxiv.2412.02302,
title = {Enhanced Photovoltaic Power Forecasting: An iTransformer and LSTM-Based Model Integrating Temporal and Covariate Interactions},
author = {Guang Wu and Yun Wang and Qian Zhou and Ziyang Zhang},
journal= {arXiv preprint arXiv:2412.02302},
year = {2025}
}