近日，我校电信学院博士生巩彬在兰州理工大学安爱民教授的指导下在知名期刊《《Energy Conversion and Management》(中科院一区，影响因子:9)上以兰州理工大学电气工程与信息工程学院为第一通讯单位、计算机与通信学院为第二单位发表题为“An Interpretable Hybrid Spatiotemporal Fusion Method for Ultra-Short-Term Photovoltaic Power Prediction”的研究性论文，其中兰州理工大学电气工程与信息工程学院2022级博士研究生巩彬第一作者，兰州理工大学安爱民教授为通讯作者，兰州理工大学石耀科老师为第三作者。
当前的超短期光伏功率预测研究中，复杂的时空相关性常常被忽视，同时深度学习方法的“黑箱”特性则导致了预测结果缺乏可解释性。因此，本研究提出了以下创新点：提出了一种自适应并行时空融合网络（APSTFNet），该网络在空间网络中整合了观测感知模块和深度感知模块的特征，以捕捉不同输入长度下的特征，并增强模型对序列的理解。在时间网络中，结合了双向长短期记忆网络（BiLSTM）和自注意力机制，以捕捉序列数据中的长期依赖性和上下文信息。提出了一种动态自适应加权的黑猩猩优化算法（DAWCHOA），用于优化APSTFNet的超参数配置，从而提升模型的整体性能。提出了一个深度学习模型预测的可解释性框架，使用神经元电导梯度方法从模型结构的角度解释预测机制，进一步探索影响功率预测的核心时空特征。
在中国北方某省的分布式光伏电站上进行的实验结果表明，本研究提出的DAWCHOA-APSTFNet表现出了优异的预测性能。（撰稿：安爱民；终审：杨雅琼）
甘公网安备 62010002000207号