计算机工程

作者：张红, 李峰, 马彦宏, 姬文宣, 郑启鹏

单位：1. 兰州理工大学计算机与通信学院，甘肃 兰州 7300502. 国网甘肃省电力公司，甘肃 兰州 730000

关键词：光伏功率预测,Transformer模型,金字塔注意力模块,约束机制,时间卷积网络

基金：甘肃省科技重大专项计划(25ZYJA037); 甘肃省重点人才项目(2024RCXM57)

准确的光伏功率预测对于提高电网稳定性和用电效率至关重要。针对现有研究难以同时考虑光伏功率长期依赖性和短期变化模式的缺陷，提出一种金字塔注意力模块(PAM)结合时间卷积网络(TCN)优化Transformer的光伏功率预测方法Solarformer。基于多种特征选择机制筛选输入特征，增强对光伏数据特征的表征能力；利用粗粒度构造模块和PAM优化Transformer编码器，在多尺度上捕获光伏功率的长期时间依赖特征；利用光伏功率日出日落效应约束机制和TCN优化Transformer解码器，增强光伏功率的短期变化特征，以更好地捕捉其短期变化模式。在澳大利亚Sanyo数据集上进行实验，结果表明，Solarformer能够有效提高光伏功率的预测精度，相比DLinear模型，其均方根误差(RMSE)、平均绝对误差(MAE)和对称平均绝对百分比误差(SMAPE)分别降低了约7.45%、6.99%和14.10%。

来源：2025年第10期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第10期