方法：你肯定见过这样的文献：什么CNN、LSTM、GRU、BiLSTM、GRU、Attention以及它们的复合模型CNN-LSTM、CNN-GRU模型等经久不衰，我们的程序中额外加入了特征可视化的部分，提高模型的可解释性。期刊水平：仔细看下面的文献均来自《中国电机工程学报》《电网技术》《高电压技术》《电工技术学报》《电力系统自动化》等国内顶级EI期刊发文日期：从2021-2023-至今，不同的深度学习方法组合成复合预测模型，这是当前的发文主流，你也可以！![]()
复合模型：以CNN-BiLSTM-Attention复合模型为例，结合了卷积神经网络（CNN）和长短时记忆网络（LSTM），以克服各自模型在处理序列数据中的局限性。以下是CNN-LSTM复合模型的一些优势：局部和全局特征捕捉：CNN通过卷积层可以有效地捕捉输入序列中的局部特征，而LSTM则能够学习序列中的长期依赖关系，捕捉全局特征。这种组合允许模型同时关注序列的局部和全局信息，提高了对序列中复杂模式的识别能力。
时空关系建模：对于时序数据中的时空关系，CNN-LSTM模型能够利用CNN对时间序列进行卷积操作，捕捉时间上相邻的特征，并通过LSTM记忆单元来处理序列中的长期依赖。这使得模型能够更好地理解输入数据的时空结构。
层次性特征提取：CNN通常在底层提取低级特征，而LSTM在更高层次上提取抽象的特征。通过将它们组合在一起，模型可以在不同层次上进行层次性的特征提取，使得模型能够更全面地理解输入序
Attention自注意力机制：自注意力层被嵌入到BiLSTM层后，自注意力层用于捕捉时间序列数据中的全局依赖关系，自注意力机制允许网络在学习时动态地调整各个时间步的权重，以便更好地捕捉长期依赖和全局模式。首先简单介绍现有的预测算法特点！再将它们按需搭积木式结合：CNN-LSTM，CNN-GRU CNN-BiLSTM，CNN-BiGRU，CNN-LSTM-Attention，CNN-GRU-Attention，CNN-BiLSTM-Attention，CNN-BiGRU-Attention，TCN-Attention，你也可以发表高水平论文！CNN（卷积神经网络）：CNN适用于图像数据，但在时序数据中也可用。卷积层可以捕捉输入序列中的局部模式。对于风速-光伏-功率回归预测，CNN可以通过学习时间序列中的局部特征来提高预测性能。用于捕捉局部模式，有助于识别特定时间窗口内的变化，适用于一维波动时序数据。LSTM（长短时记忆网络）：LSTM专门设计用于处理序列数据。其内部结构允许网络选择性地保留或遗忘信息，有助于处理时序数据中的长期依赖关系。在风速-光伏-功率回归预测中，LSTM可以更好地捕捉不同时间步之间的关联，适用于处理光伏和风速等具有动态变化的特征。GRU（门控循环单元）：GRU与LSTM类似，但结构更简单。它也适用于处理序列数据，具有更新门和重置门来调节信息的流动。GRU相对于LSTM计算效率更高，对于中等规模的数据集可能表现得更好。BiLSTM（双向长短时记忆网络）：BiLSTM结合了前向和后向的LSTM，同时考虑过去和未来的上下文信息。在风速-光伏-功率回归预测中，BiLSTM可以更全面地捕捉时间序列中的模式，尤其是在需要考虑全局前后数据的情况，需要注意测试集数据泄露的问题。
TCN（时域卷积网络）： TCN创新地提出一维扩张因果卷积层构建残差结构来捕捉序列中的模式，并通过堆叠这些层来增加模型的复杂性。它具有并行计算的优势。优势：在风速-光伏-功率回归预测中，TCN可以有效地捕捉序列中的局部和全局模式，具有较快的训练速度。
程序数据集格式：
前一天18个气象特征（特征），采样时间为24小时，输出为第二天的24小时的功率出力（真实值），也就是18×24输入，1×24输出，一共有75个这样的样本。![]()
完整代码合集：https://mbd.pub/o/bread/ZZmbmZtw
欢迎感兴趣的小伙伴点击左下角“阅读原文”或上方链接获得完整版代码哦~
关注小编会不定期推送高创新型、高质量的学习资料、文章程序代码，为你的科研加油助力!
