CGAformer光伏预测模型

精度提升

该混合模型融合一维卷积、全局加性注意力与自相关机制，能够有效捕捉光伏功率序列的局部特征与多尺度周期模式，从而提升短期预测精度。

Rujian, Chen · 刘刚 · Yisheng, Cao · 肖刚 · Jianchao, Tang

Energy 2024

参数信息

整体平均均方根误差改善

6.82 %

整体平均平均绝对误差改善

20.46 %

技术优势

误差更小

与LSTM相比，整体平均RMSE和MAE分别降低6.82%和20.46%，预测精度显著提升。

适应季节变化

季节性分析表明模型对不同季节的预测都具有良好的泛化能力。

应用场景

• 光伏功率预测：为光伏电站提供更精准的短期功率预测，优化并网调度。
• 智能能源管理：提升能源管理系统的预测精度，支撑智能决策。