引言：光伏发电是目前我国社会中常见的一种发电方式，由于其本身是清洁能源，并且实现了可持续发展。近几年光伏发电受到了社会各界的广泛关注，随着全球对环境保护以及对可持续发展的需求的增强，近几年光伏发电应用领域在不断地拓展，但是由于受到了太阳辐射与光照条件两个不同内容的影响，进而具有较强的波动性。光伏发电的输出功率也具有高度不确定性，面对这种不确定性，电力系统需要不断地对电力系统在使用中的稳定性与调度带来了极大的挑战，如何在这个阶段做好光伏发电功率预测，也已经成为研究中的重要问题之一。

一、改进型CNN-LSTM神经网络的光伏功率预测的意义

传统的模型难以满足当前社会发展、建设的实际需求，为此提出了一种全新的模型，即改进型CNNLSTM神经网络，将该模型用在光伏功率预测中，通过进一步引入多尺度卷积层，可以提高该模型在面对不同时间尺度、时间特征后的数据捕捉能力。同时对LSTM的门控结构进行优化管理，在长时间使用该模型后，无论是处理数据的准确性、稳定性和计算效率都能得到进一步的提升，确保所选择的、所改进的模型可以在当前的光伏数据预测中提高效果，能够更好的获取更多的时空特征，提高模型对数据的预测精度，选择这种方式还能在后续的电力调度以及光伏发电预测中为实际应用效果的提升带来更多可靠的、有效的支持。为了验证该模型在实际应用过程中的效果，需要通过多组实验分析，并收集不同的实验结果，做好实验的预测与分析，根据已知的参数包括了根误差即Root Mean Square Error,RMSE、平均绝对误差即Mean Absolute Error,MAE、平均相对百分误差即MAPE以及决定系数R2，对模型的使用效果进行分析，提高模型预测效果[1]。

二、传统光伏预测模型在使用中存在的问题

1.物理模型与统计模型过分依赖参数

传统的光伏功率在预测过程中是通过两种不同模型进行预测，分别是物理模型与统计模型，物理模型是基于气象条件、太阳辐射状况等变量对数据进行分析，尽可能地做到精准测量，做到仿真处理，但是其对参数的期待性相对较高，需要结合历史参数进行分析才能够确保数据更加可靠并且满足当下光伏发电功率预测的实际需求。如果遇到极端天气，由于自身的适应性较差，无法满足发电的实际要求，导致发电质量无法得到提升。统计模型则是根据时间序列进行分析，根据历史数据提取相关特征，进行数据的预测，所获得的光伏发电数据具有非常明显的非线性关系以及相对较为复杂的动态特性，导致其数据在获得后参数不够准确[2]。

2.单一使用某一种模型

传统的模型在进行数据分析与处理时，数据处理效果一般，精准度有限，随着深度学习技术的迅速发展，近几年在光伏发电领域深度学习技术也展现出了其独有的潜力与效果。卷积神经网络和长短时记忆网络由于其拥有非常出色的建模能力与特征，这已经是光伏功率在进行预测过程中最重要且不可忽略的一部分。卷积神经网络在进行图像处理过程中，由于其表现十分优异，快速地捕捉到局部空间特征，选择长短时记忆网络方式，最擅长的是处理时间序列，并且能够记住长期的时间依赖关系。在传统的光伏预测过程中并没有将两者进行混合应用，大多数情况仅选择一种模型进行应用，在空间或时间某一特征上提取数据，导致光伏功率预测效果无法得到提升。

三、基于改进型CNN-LSTM神经网络的光伏功率预测效果提升方式

1构建基于改进型CNN-LSTM神经网络的光伏功率预测模型

为了进一步提高光伏发电的功率预测效果，并准确地输出数据，基于改进型CNN-LSTM神经网络的光伏功率预测模型进行改进，如下图1所示，通过对该模型数据进行分析，可以发现该模型中结合了LSTM的时间序列处理优势以及CNN的局部特征提取能力，选择一维卷积神经网络可以快速地捕捉相邻的时间步特征之间所蕴含的局部耦合关系。CNN-LSTM神经网络模型需要选择卷积核沿时间轴通过滑动能快速的提取温度突变、辐照跃迁等动态模式，提高模型对周期特征的感知能力，了解其中的参数实现了对参数的共享特性分析，增强了LSTM层挖掘长程时序依赖，进一步提升了光伏功率预测模型的精度。

图1改进型CNN-LSTM神经网络模型预测流程图

首先，数据流的起点是输入层，能在数据接收之后迅速的重构、重组，了解其中涉及的光伏历史数据，这些数据可以利用模块进行统一的归化、处理，促使数据模型处理效果得到提升，该模型无论是数据的收敛速度或者是预测精度均得到了提高。其中常见的结构化光伏发电多维时间序列输入数据大多数都是特征矩阵，其中常见的各类不同数据时间点包括了气压、气温、辐射度、湿度以及光伏功率等物理特征，这是5项已量化的数据。在该模型中首先应该做到的是对所有的输入数据利用模型的卷积层进行数据的特征提取。其中在第一层中是一维卷积层，包括了64个滤波器，其中含有卷积核的大小为5，该卷积层中目的是快速地提取时空特征，这种特征是局部性的特征，可以不断增加数据的相关性。完成卷积操作后，通过模型实现对不同批量数据的归一化，利用模型中的归一化层减少梯度消失问题，定期对模型进行加速训练，该模型后期能实现对非线性特征的捕获。

在面对第二个卷积层的时候，选择的滤波器是32个滤波器，其中含有卷积核的大小为3，通过第二个卷积层可以实现对特性的进一步提取、处理，相比于前一层，第二层卷积操作完成后，该模型能批量归一化与ReLU激活操作。通过设计两层的卷积网络能有效捕获输入数据，了解数据中的短期波动特性，进一步提高模型的学习能力，特别是针对局部特征而言，可以为后续的LSTM网络时序建模提供更高质量的输入。该模型完成了两层卷积处理后，模型能够进入全新的数据处理阶段，实现长短期记忆网络。

LSTM网络可以实现对数据的序列处理，构建递归神经网络模型，该模型存在的目的是实现对长期依赖性数据的处理。在LSTM中，分为两个不同的部分，分别是第一层、第二层，第一层是400个隐藏单元，第二层是200个隐藏单元，LSTM是一种内置的门控机制，它可以快速的保留或者选择丢弃没用的历史信息，这种模型可以快速的捕捉到与光伏功率输出中的相关内容，包括长期趋势和季节性变化。利用LSTM结构能实现多层时序建模，并提高模型的泛化能力。CNN-LSTM模型中针对LSTM层引入了Dropout层，可以有效的避免模型过拟合，其中Dropout层可以设置0.5的丢弃率，在每次迭代时，需要随机完成50%神经元的丢弃，目的是提高模型本身的鲁棒性。在完成上述的操作之后，选择全连接层模型，把所有经过时序建模的特征映射到CNN-LSTM模型，最终得出光伏功率值。

最后，利用CNN-LSTM模型能更加直观地利用回归层计算、预测和分析结果与真实值之间的误差。回归层在使用的过程中，可以直接输出后续用来进行模型评估部分的误差计算以及相关数值，这种方式可以在后续的模型评估过程中获取更真实、有效的数据，实现对数据的充分管理，并提高该模型的预测效果，增强模型本身的预测性能。利用卷积层快速地提取其中涉及的局部特征，结合LSTM层进行数据的处理，完成时序依赖，本文所选择的、所改进的CNN-LSTM模型在光伏功率预测任务中能够获得更加清楚的、预测精度更高的数据，该模型在处理复杂的时间序列数据时，相比其他的模型取得了较高的预测精度，特别是在数据处理方面，CNN-LSTM模型表现出强大的特征学习效果。

2.做好预测模型的评估

想要进一步分析CNN-LSTM模型的使用效果，并根据模型的实际情况对性能和效果等进行分析，改进原本模型使用过程中误差过大的情况，需要对不同的数据指标进行分析，基于不同的角度分析和衡量模型的预测能力，常见的误差值包括了：RMSE、MAE、MAPE以及R2。这些指标可以从多个角度分析和衡量模型在预测的过程中效果，并了解在模型应用过程中的效果，实现应用质量的提升。其中不同参数表示的含义不同，RMSE存在的目的是衡量CNN-LSTM模型中真实值与预测值之间差异的标准偏差，可以直接反映出预测的效果，了解模型的应用效果，其中数值越小表示模型预测误差越小，也能够直接的反映出预测中出现的问题。MAE的出现直接衡量了预测值与真实值之间所存在的绝对差异，为了更好地分析MAE需要了解其中涉及的公式内容，如下（1）所示

（1）

通过对公式（1）机械能分析，发现其和RMSE不同，MAE在使用的过程中，更加注重的是平均误差的大小，但是在使用的过程中，并不会出现较大的误差，通过分析发现MAE越小则表面在本次使用的过程中，说明模型的整体预测效果和预测的精度越高。MAPE则不同，他存在的目的是构建一个无量纲的误差指标，目的是衡量预测误差，最终形成一个更加真实的百分比，能够清楚地反映出模型在不同的数据上、不同量级的数据中其自身的预测能力和效果，其中数值越小则表面本次预测越准确。

3.实验结果与后续分析

本文中选择的模型是基于LSTM形成的改进型CNN-LSTM神经网络，对本次的实验数据和结果进行分析，结合四个不同的影响光伏功率的因素，包括了太阳辐射度、气温、气压以及湿度，结合RMSE、MAE、MAPE以及R2这四个指标进行分析，形成两种不同的模型进行预测，包括了训练集和测试集，其中得到的数据模型预测效果如下表1所示。

表1 训练集和测试集中的两种模型的预测效果值

根据表1内容进行分析，可以发现相比于单一的LSTM模型而言，选择CNN-LSTM模型无论是在训练集以及测试集上的预测性能均优于单一的模型，从训练集上分析发现，CNN-LSTM的RMSE从LSTM的1.0664降低到了0.91036，MAE从0.72365减少到0.69804,MAPE下降了约为1个百分点，R2的数据也出现了一定改变，从0.9721提高到0.9790。充分表明了一点，在使用CNN-LSTM模型后，拟合已知数据的精准度更加明显，可以快速、精准地捕捉不同光伏功率本身出现的变化。从测试集上分析，CNN-LSTM模型的优势更为突出，其中从数据参数进行分析，参数RMSE从LSTM的1.6761降低到了1.1699，MAPE也从11.6082%逐步减少到了8.5859%。R²从0.90698逐步提升到了0.95561，由此可见，CNN-LSTM模型在使用的过程中，在面对更多未知的环境因素时，数据处理和表现效果均得到了提升，其泛化能力更强，预测误差有着明显的减少，从最初的11.6082%减少到了8.5859%，由此可以得出，选择CNN-LSTM模型在面对未知的数据时，误差存在明显地减少，该情况说明了模型可以有效地对外界的环境状态、变量进行分析并处理。

结语

综上所述，在本次研究的过程中，选择基于LSTM形成的改进型CNN-LSTM神经网络光伏功率预测模型，通过大量的数据分析、对比，最终得出CNN-LSTM模型无论是在训练集、测试集的各项指标上，相比于LSTM模型均更优，利用该模型通过CNN提取空间中含有的大量局部特征，结合LSTM捕捉时序动态，进一步融合多种功能不同的变量，包括但不限于太阳辐射、温度、气压以及湿度等多变量特征，进一步提升了对光伏功率波动趋势的预测精度。更为未来的光伏发电系统在进行智能管理的过程中提供了有效的解决方案。

参考文献：

[1]杨静,曹园园,胡学彤,等.基于SBAS-InSAR和LSTM神经网络的矿区地表沉降监测与预测[J].经纬天地,2025,(04):6-10.

[2]许晓梅,丁筱茜,杨潇谊,等.基于具有注意力机制的CNN-LSTM神经网络的梗丝回潮加水量预测模型[J].自动化应用,2025,66(16):26-30.

作者简介：
1.赵长风（1992.08.09--），男，白族，云南大理人，硕士研究生学历，高级工程师，新能源电力。
2.胡剑（1984.07.06--），男，汉族，贵州晴隆人，本科学历，助理工程师，从事行业：新能源电力。
3.胡泰启（1997.08.14--），男，汉族，贵州瓮安人，全日制本科学历，新能源电力。
4.廖胜跃（1996.01.15--），男，汉族，贵州水城人，本科学历，新能源电力。