這篇論文《Improved multistep ahead photovoltaic power prediction model based on LSTM and self-attention with weather forecast data》（2024, Applied Energy）聚焦在 多步光伏功率預測 中，如何結合 LSTM 與自注意力機制（self-attention），并 有效引入天氣預報數據 來提升預測準確性。
論文核心思想（One-sentence summary）
本文提出一種融合 LSTM 和 Transformer 的混合預測模型 LSTMformer，首次系統性地將 歷史與天氣預報數據 融合輸入，顯著提升了光伏發電的多步預測準確性，特別適用于 中長期預測任務。
研究背景與問題
為什么要預測光伏功率？
光伏發電具有 隨機性與波動性強 的特點，精確預測其輸出是保障電網穩定、提高可再生能源接入率的關鍵。
現有方法存在的問題：
傳統統計模型（ARIMA等） 對非平穩天氣場景適應性差；
1.純LSTM 在長序列預測中精度迅速下降；
2.Transformer 雖強大但不擅長建模時間依賴關系；
3.很少有模型有效利用天氣“預報數據”，多數僅用歷史天氣。
主要貢獻與創新點
提出LSTMformer：LSTM+Self-Attention的混合架構
LSTM 處理時間序列特征
Transformer 捕捉多變量間的相關性
Attention 融合天氣預報信息
→ 實現短期、長期預測雙提升。
設計通用天氣預報數據注入方式，適配多種模型架構（LSTM、seq2seq、Transformer）；
歷史數據 + 天氣預報數據聯合輸入
無需復雜預處理，直接拼接或嵌入模型中
實證驗證（2年5個月的真實建筑光伏數據）：
LSTMformer相較傳統LSTM：
長期預測R2 提升 22.5%，整體提升 26.4%
少量歷史數據輸入時也能保持高精度（1小時即可達R2=0.921）
實驗設置
數據來源：日本千葉縣浦安市某建筑實際監測數據（2020年11月~2023年3月）
特征：
光伏輸出功率（PV Power）、GHI、溫度、濕度、氣壓、風速、日照時長等共11個氣象變量。
房屋太陽能光伏板的外觀：
PV規格：
模型對比：LSTM、BiLSTM、seq2seq（帶attention）、Transformer、LSTMformer
指標：RMSE、MAE、R2（決定系數）
關鍵實驗結果
1.LSTMformer 綜合指標最優；
2.即使在輸入序列縮短（如僅輸入1小時）時，LSTMformer依然保持高精度；
3.相比Transformer，LSTMformer更能結合時間序列依賴與變量間相關性，適合多步預測。
結語
在光伏功率預測任務中，單一依賴LSTM或Transformer已無法應對日益復雜的時間-變量關聯模式。LSTMformer作為一種兼具時間建模能力與多變量建模能力的架構，在中長期預測中展現出強大優勢。未來，如何進一步增強對天氣預報誤差的容忍性，是該方向繼續演進的關鍵。
