基于LSTM和Transformer的光伏发电预测与故障诊断方法

《Scientific Reports》：Photovoltaic power prediction and fault diagnosis method based on LSTM and transformer

　　

摘要

光伏发电的预测与故障诊断对于清洁能源的高效利用至关重要，但传统方法存在效率低下和主观性较强的局限性。为此，本文提出了一种创新的混合模型，该模型结合了双向长短期记忆网络（Bidirectional Long Short-Term Memory Network）和Transformer，同时整合了改进的Golden Jackal优化算法、时间卷积神经网络（Time Convolutional Neural Network）以及灰狼算法优化的变分模态分解（Variable Mode Decomposition），以实现信号的自适应净化、双向时间依赖性的捕捉以及全局注意力聚焦。实验结果表明，该模型具有高精度预测能力：在所有季节中平均准确率为95.03%，平均绝对误差为4.86千瓦（kW），相对均方根误差为8.46%，且不同季节之间的差异不显著，验证了模型的稳定性。在故障诊断方面，故障信号的波形差异最大可达35.2毫米（mm），五种类型故障的分类准确率为96.87%。SHAP分析显示，瞬时辐照度和历史发电量对预测结果贡献最大，而组件串电流与故障类型呈负相关，这符合光伏系统的物理规律。从部署角度来看，整个模型的参数数量为877万个（8.77 M），准确率为97.08%，适用于高精度的离线分析和云环境应用。这些结果表明，所提出的模型在提高故障识别效率和预测准确性方面具有显著优势。本研究为在复杂环境下构建精确的光伏发电预测与故障诊断模型提供了宝贵的参考，从而推动了清洁能源技术的发展。