Accurate one step and multistep forecasting of very short-term PV power using LSTM-TCN model

 本论文来自于爱斯维尔Renewable Energy期刊

ABSTRACT

  准确的光伏（PV）功率预测已成为将光伏电厂整合到电网中、进行调度并确保电网安全的强制性任务。在本文中，提出了一种使用LSTM-TCN的新型模型来预测PV功率。该模型由长短时记忆（LSTM）和时间卷积网络（TCN）的组合构成。LSTM用于从输入数据中提取时间特征，然后与TCN结合以建立特征与输出之间的连接。所提出的模型经过了使用包括测量的PV功率的历史时间序列的数据集进行测试。该模型的准确性随后与不同季节、时间段预测、多云、晴天和间歇性天气下的LSTM和TCN模型进行了比较。对于单步预测，结果显示我们提出的模型在平均绝对误差方面优于LSTM和TCN模型。相较于LSTM和TCN，该模型在秋季减少了8.47％，14.26％，在冬季减少了6.91％，15.18％，在春季减少了10.22％，14.26％，在夏季减少了14.26％，14.23％。对于多步预测，LSTM-TCN在不同的时间段预测中均超过了所有对比模型，从2步到7步的PV功率预测。

Keywords: Ultra short term PV power Forecasting；  Long short term memory ；  Temporal convolutional network； One step and multistep forecasting

 1.Introduction

   LSTM-TCN 模型已被用于不同的研究领域。参考文献[31]将 LSTM-TCN 模型与注意力机制相结合，用于文本情感分类。文献[31]将 LSTM-TCN 模型与注意机制相结合用于文本情感分类，并与 LSTM、TCN、有注意机制和无注意机制的 LSTM-CNN 以及无注意机制的 LSTM-TCN 模型进行了比较。结果表明，LSTM-TCN 的性能优于 LSTM、TCN 和 LSTM-TCN，而 ATT-LSTM-TCN 在注意机制下的性能超过了 ATT-LSTM-CN 和其他模型。此外，根据文献[32]，LSTM-TCN 还被用于预测水产养殖中的溶解氧。[32].将所提出的模型与 TCN、LSTM 和 CNN-LSTM 进行了比较。与其他方法相比，LSTM-TCN 的 MAE = 0.236、MAPE = 3.10%、RMSE = 0.342 和 R2 = 0.94，显示出良好的性能。风力预测也是 LSTM-TCN 模型的一个应用领域。在参考文献[33]中，LSTM-TCN[33] 中，LSTM-TCN 与自我注意机制相结合，被用于超短期风力预测，并与不同的预测模型进行了精度比较。同样，所提出的 SATCN-LSTM 模型优于 LSTM、TCN 和 CNN-LSTM，并且略微超过了 TCN-LSTM（无自注意机制）。与之前的研究结果一致，与其他深度学习模型相比，TCN 和 LSTM 模型的组合显示出了良好的效果。尽管 LSTM-TCN 模型具有较高的精度和性能，但据我们所知，目前还没有人提出将其用于光伏功率预测。

    本文研究了一种 LSTM-TCN 模型，用于一步和多步光伏功率预测。引入 LSTM 从光伏功率的历史时间序列中提取时间特征，然后结合 TCN 在提取的时间特征和输出之间建立联系。然后将所提出的模型与 LSTM 和 TCN 模型进行比较，以证明其有效性和准确性。这项工作的主要贡献可归纳如下：

本文提出了一种新颖、准确的 LSTM-TCN 光伏功率预测模型。

- LSTM-TCN 模型适用于一步式和多步式光伏功率预测。

- 将所提出的模型与最先进的时间序列预测深度学习模型进行了比较。

本文其余部分的结构如下。第 2 节介绍了所使用的方法、方法和数据。第 3 节介绍并讨论了单步和多步光伏功率预测的结果。最后一节是主要结论和未来工作。

2.Materials and methods

2.1. PV plant description

2.2. Methodology

   本文提出了用于短期光伏功率预测的 LSTM-TCN，其中 LSTM 用于从输入数据中提取时间特征，TCN 用于将特征与光伏功率预测的输出连接起来。图 2 是这项工作的流程图。

2.2.1. Proposed model

  ARIMA（自回归整合移动平均）是一种流行的时间序列预测模型，它基于未来预测是过去测量值的线性函数这一事实。ARIMA 模型的局限性在于它的线性和不依赖于旧值的事实，它只考虑之前的状态。与 ARIMA 相比，深度学习模型具有在时间序列预测方面表现出更高的性能，如参考文献 [35] 所示。[35].递归神经网络或 RNN 是神经网络中的一种，它将以前的信息与当前任务联系起来 [36]。与前馈网络不同，RNN 具有内部存储器，可以处理任意序列的输入[37]。传统的 RNN 模型存在梯度消失或梯度爆炸问题。为了避免梯度消失问题，长短期记忆（Long Short Term Memory）或LSTM 被提出来用于高效处理时间序列数据 [38]。LSTM 模型具有自连接的存储单元，用于存储时间状态 [39]。LSTM 单元的结构如图 3 所示。

Ct 是单元的内部状态。LSTM 通过遗忘门 ft、输入门 it 和输出门 ot 来保持、改变或删除单元状态信息。输入是序列向量 xt、隐藏层输出 ht 1 和每个时间戳 t 的细胞状态 Ct 1，输出是 LSTM 隐藏层输出 ht 和细胞状态 Ct。遗忘门、输入门和输出门的计算公式为 (1)-(3) [38]：

   时序卷积网络（TCN）是一种卷积神经网络，用于带有因果约束的序列建模任务。如时间序列预测 [40]。序列建模网络是一种非线性映射函数，可通过监督学习获得。它包括使用预测序列 ̂y0、̂y1、.....、̂yT 和真实输出序列 y0、y1、....、yT 之间的损失函数来训练网络。此外，映射功能必须尊重因果约束，即 yT 是由 x0、x1、....、xt 确定的，而不是通过使用未来输入 xt+1、xt+2、....、xT 确定的[41]。为此，TCN 的第一层是一个 1D 全卷积网络，其中每个中间层的大小与输入层相同，并使用大小为零的填充以获得与前一层相同大小的后续层[42]。卷积操作是纯线性操作，因为它只执行矩阵的加法和乘法运算。然而，现实世界中的大多数数据都是非线性的，因为它们非常复杂。通过使用非线性激活函数（如整流线性单元（ReLU）和 Sigmoid），将非线性引入到所提出的模型中。与 RNN 一样，TCN 架构可以处理任意长度的序列或时间序列，并将其映射到相同长度的输出数据中 [42]。

   TCN 架构包括扩张因果卷积，以尊重因果约束，提高各自的场，确保不会从未来向过去泄露信息 [41]，并避免巨大的计算工作量 [42]。对于滤波器 f : {0, 1, ...., k 1}，一维序列（x∈Rn）元素 s 上的扩张卷积操作 F 可表示如下[41]:

其中，d 是扩张因子，i 是滤波器编号，k 是滤波器大小，∗ 是卷积算子，s d - i 解释了过去的方向。

图 4 显示了一个扩张因果卷积的例子，扩张因子 d = 1、2、4，滤波器大小 k = 3。为了扩大网络的感受野，需要增加滤波器大小 k 和扩张因子 d。感受野越大，网络就越能研究过去[41]。

 为了训练模型和避免梯度消失问题，TCN 由一维全卷积网络和残差块组成[41,42]。

本研究采用的残差块如图 5 所示。它由两层扩张因果卷积和非线性组成，其中整流线性单元（ReLu）被用作激活函数。每次扩张卷积后都会添加 "剔除 "层，以避免过度拟合。再增加一个 1 × 1 卷积层，以返回原始通道数[41]。

  我们提出的模型结合了 LSTM 和 TCN，利用其历史数据和气象数据（如全球水平辐照度）预测光伏发电量。LSTM-TCN 的流程图如图 6 所示。

拟议模型由三层 LSTM 模型组成，用于从输入数据中提取时间特征。第一层有 256 个单元，第二层有 128 个单元，第三层有 64 个单元。LSTM 层中添加了 TCN 模型的三个堆叠残差块。每个残差块具有相同数量的滤波器和核大小。残差块的扩张因子分别为 1、2 和 4。TCN 模型与 LSTM 相结合，提高了预测精度，并在特征和输出之间建立了联系。最后，使用密集层进行维度转换。用于模型训练和验证的损失函数是均方误差（MSE），模型优化器是自适应矩估计（Adam）。值得注意的是，LSTM 和 TCN 的参数是在测试了扩张率、核大小、过滤器数量、LSTM 单元和层数的多个值后选择的，使用的是 Keras tuner 函数，该函数可搜索误差最小的最优参数。

2.2.2. Data preprocessing and data split

  为了证明所提出模型的有效性，使用并准备部署光伏功率数据集用于训练和测试我们的模型。该数据集包括3年的实测光伏功率，每个测量样本的分辨率为5分钟。数据集的质量被认为是性能深度学习模型的关键。因此，处理与数据集相关的缺失数据等问题对于优化模型的精度、计算成本和模型训练至关重要。

  数据集中的缺失值会干扰预测模型实现对连续时间序列问题的精确预测需要测量数据。为了处理缺失数据，以前使用了不同的技术，例如零插补和均值插补[ 43 ]。在我们的工作中，我们使用线性插值来估计每个缺失数据的值。收集数据集的另一个问题是数据稀疏性，这是一种描述在数据集中观察不到足够数据的现象[ 44 ]。由于光伏功率值在夜间为零，数据会出现稀疏性，导致模型训练不好，精度下降。为了避免这个问题，从数据集中剔除夜间时间的值，只保留白天的值。在一个数据集中，每个参数或变量都有不同的尺度，为了防止具有高值范围的参数占主导地位，必须对所有特征进行同等考虑。同时，特征缩放提高了算法在训练阶段的计算速度和收敛速度。在这项工作中，" Min Max Scaler "方法被用于将数据重标度到0到1之间的范围。该方法所用的方程如下所示：

其中X为测量值，Xscale为缩放值，Xmax和Xmin分别为数据集的最大值和最小值。

为了在时间序列预测中使用深度学习模型，必须将数据集转换为一个有监督的回归问题，其中输入特征和输出(标签)是呈现和定义的[ 45 ]。滑动窗口法是将数据集转化为监督学习问题，通过对数据集进行分段处理，得到一个观测值序列(固定窗口大小)，作为模型的输入，固定数量的跟随观测值作为输出，可以是一个跟随观测值进行一步预测，也可以是一个跟随观测值序列进行多步预测。数据集的分割是每次滑动窗口一个时间步，对整个数据集重复，得到下一个输入输出序列。

图7展示了滑动窗口进行多步时间序列预测(输入序列大小= 5 ,输出序列大小= 3)的过程。将数据集划分为训练数据集和测试数据集，分别用来训练本文提出的深度学习模型和评估模型的精度和性能。

2.2.3. Model evaluation

3.Results and discussion

  在本节中，我们将利用前面介绍的指标，介绍我们提出的模型与 LSTM 和 TCN 模型相比，在一步式和多步式光伏功率预测方面的性能。一步预测是指预测未来 (xt+1)的单个值。多步预测是指预测一系列数值（xt+1、xt+2、xt+3......）。提前一步相当于 5 分钟，因为每 5 分钟记录一次观测结果。在我们的研究中，我们提前 1 步（5 分钟）至 7 步（35 分钟）预测光伏发电量。为了评估所建议模型的性能和准确性，我们使用包含一年实际光伏发电量测量数据的测试数据集计算了每个季节（秋季、冬季、春季、夏季）的误差，该数据集每 5 分钟测量一次。此外，为了进行深度分析，我们使用了阴天、晴天和间歇天的具体情况，以评估预测模型在不同天气条件下的准确性。如果使用中央处理器（CPU）来训练具有多个层的大型数据集深度学习模型，则需要大量时间，因此必须使用 GPU 来加快执行时间。用于训练模型的参数有

选择的迭代次数为100。·批大小等于200，这是一个可以减少训练时间而不影响模型精度的值。学习率为0.001。·损失函数为均方误差，适用于回归问题。·优化器使用Adam来减少损失函数。·模型输入序列的回溯使用12步，相当于1小时。结果分析汇总在表格中，以显示计算的指标，以突出模型的准确性。此外，图形显示了实际光伏功率曲线与预测功率曲线之间的差异。

3.1. One step forecasting

  正如我们先前提出的，一步光伏功率预测是当功率预测提前一步( 5min)时，当使用滑动窗口技术时，输出窗口包含一个值(不是一个序列)表2展示了LSTM，TCN和LSTM - TCN在一年中每个季节的平均绝对误差，均方根误差和平均偏倚误差，以定义不同天气条件下的误差。

在描述我们提出的模型与其他模型相比的误差之前，通过观察表2，所有模型的MAE和RMSE在秋季和冬季都很高，这可以解释为太阳辐射的高变化，因此模型在预测光伏功率时遇到了挑战，与夏季和春季相比，光伏功率更稳定，更容易预测。根据表，LSTM - TCN模型在一年的光伏功率预测中优于LSTM和TCN模型，其MAE为0.428 KW，RMSE为1.122 KW，而LSTM和TCN的MAE和RMSE值较低 。分别为0.498 KW、1.138 KW和0.4500 KW、1.128 KW。与LSTM相比，TCN表现出良好的准确性。通过关注MAE，LSTM - TCN在秋季显示出良好的准确性，其值为0.509 KW，而TCN模型为0.557 KW，LSTM模型为0.594 KW。使用LSTM - TCN使得MAE相比TCN模型降低了8.47 %，相比LSTM模型降低了14.24 %。此外，在太阳能非常间歇的冬季，LSTM - TCN模型的MAE为0.5255 KW，比TCN和LSTM模型的MAE分别低6.91 %和15.18 %。对于春夏两季，即使天气状况稳定，TCN模型的MAE比LSTM - TCN模型高10.22 % (春季)和14.26 % (夏季)，LSTM模型的MAE比本文提出的模型高14.26 % (春季)和19.93 % (夏季)。对于MBE，LSTM和TCN模型在所有季节都低估了光伏发电功率，而LSTM - TCN模型在冬春季节高估了光伏发电功率，夏秋季节低估了光伏发电功率。在所有季节中，所提模型的MBE比LSTM和TCN模型更接近于零，平均值为0.0141 KW，而LSTM模型为0.0646 KW，TCN模型为0.0645 KW。因此，与其他模型相比，所提出的模型具有较低的偏差。因此，在分析预测指标后，我们得出结论，与LSTM和TCN模型相比，LSTM - TCN可以有效地从数据中提取特征、捕获信息和学习模式。此外，所提出的模型在不同的天气条件下都表现出了良好的性能，使其适用于一年中的任何季节。

  

图8显示了随机日的实际光伏功率曲线和模型的预测曲线。通过观察该图，我们注意到了LSTM - TCN曲线比TCN和LSTM曲线更准确地跟随实际曲线，特别是在天气稳定、功率较高的情况下。尽管太阳能的间歇性，LSTMTCN仍然捕获了模式，并遵循实际的光伏功率以及LSTM和TCN模型，

如图9所示，但通过仔细观察该图，我们注意到，对于这种天气条件，LSTM - TCN在几个步骤中比LSTM和TCN模型更准确地预测光伏功率。

图10显示了LSTM，TCN和LSTM - TCN模型在所有季节的MBE直方图，以突出模型低于或高估实际光伏功率的频率。如图所示，较高频率的偏差误差出现在LSTM模型的0.17 KW和0.65 KW之间，TCN模型的0.06 KW和0.77 KW之间，LSTM - TCN模型的0.27 KW和0.56 KW之间。因此，在大多数情况下，模型的偏差误差更接近于零，但LSTM - TCN模型在该区域的频率较高，其值为0.9925，而TCN模型为0.9141，LSTM模型为0.8960。此外，如图10所示，如果不考虑包含正负值的高频条，模型往往会更频繁地高估实际光伏功率。

  为了更深入地研究模型在不同天气条件下的误差，我们使用了4个研究案例，分别是：晴天案例，即辐照量在一天中没有很大变化且天空中没有云层的情况；阴天案例，即光伏功率由于云层而较低；间歇性日和强间歇性案例，即辐照量在一天中变化。

 

表3显示了每一天的MAE。图11用预测模型的预测曲线显示了晴天的光伏功率曲线，以及LSTM、TCN和LSTM - TCN模型在一天中每一步的绝对误差。本文提出的模型可以预测光伏发电功率并且比LSTM和TCN模型多步跟踪真实曲线，MAE为0.126 KW。我们提出的模型的误差比TCN模型降低了35.33 %，比LSTM模型降低了38.53 %。此外，从图中我们注意到，当功率较低时，所有模型的误差都较高。例如，当功率在0KW到7KW之间时，在0到20步之间，误差较高，尤其是对于TCN模型，可以看出LSTM模型与其他模型相比误差较小。

   

图12给出了一个阴天的功率曲线和预报模型误差。与其他模型相比，LSTM - TCN模型似乎精度较低。与TCN和LSTM - TCN相比，LSTM模型在阴天的MAE分别为0.736 KW和0.744 KW，优于其他模型。这可以通过分析用于训练我们的模型的训练数据来解释，与间歇日和晴天相比，阴天的天数较少，这使得LSTM更有能力从这类行为的少量样本中学习特征。然而，即使晴朗的日子是训练数据中最主要的日子之一，LSTM模型在预测光伏发电在这种天气条件下的行为是不准确的。

3.2. Multistep PV power forecasting

  多步预测模型是当一个模型预测一个值序列而不是一个值时。在这一部分中，预测了从2步( 10分钟)到7步( 35分钟)的不同时期或时间段的光伏功率。

    35 min )。

表4展示了LSTM、TCN和LSTMTCN在各个季节对多步光伏功率预测的MAE、MBE和RMSE。正如预期的那样，在所有模型中，误差随着预测范围的增加而增加。通过观察RMSE和MAE可以发现，与其他模型相比，我们提出的模型在所有时间段都表现出良好的准确性。

图15显示了不同模型在一年中不同时间段的MAE。通过观察图15，对于2步预测，LSTMTCN的MAE为0.615 KW，比TCN模型低11.63 %，比LSTM模型低4.05 %。在15 min的时间段内，本文提出的模型超过基准模型的误差比TCN模型低1.53 %，比LSTM模型低5.87 %。

   对于4、5、6、7步预测，LSTM - TCN的MAE分别比TCN模型低4.03 %、0.09 %、6.37 %、6.16 %。对于LSTM模型，其在20min、25min、30min和35min时间段的MAE比我们提出的模型分别高出4.73 %、5.09 %、8.22 %和3.50 %。在2步和7步预测中，LSTM模型均优于TCN模型。但在其他时间段如3步和5步预测中，TCN模型均超过了LSTM模型。在3步预测中，TCN和所提出的模型在准确性方面非常接近，并且在25 min ( 5步)的时间段内更接近。对于Bias误差，所提出的模型在所有预测步骤中都高估了光伏功率，而TCN模型低估了光伏功率。此外，LSTM模型低估了功率表明(接近于零)是LSTM模型的低偏差误差，而MAE表明LSTM - TCN是准确的模型。这是因为MBE存在一个缺陷，即当模型同时出现高估和低估时，MBE并没有表现出准确的性能，因为高估和低估是相互抵消的。

       图16展示了LSTM、TCN和LSTM - TCN模型在随机日的不同时间段的实际功率曲线和预测曲线。

图17为图16的放大图，从图中可以看出，光伏发电功率在不同时间段内变化较大。可以看出，预测的时间越长，模型的预测曲线与实际曲线相差越远，说明误差随着时间的增加而增大。总的来说，所有的模型都捕捉到了光伏发电的全局行为。然而，局部行为对预测模型是一个挑战，特别是当时间周期较长和天气状况不稳定时。但总的来说，我们提出的模型在预测光伏功率在不同时间的全局和局部模式方面优于其他模型为了进一步研究我们提出的模型在多步预测中的效率，选择了两个时间段，即3步( 15分钟)和6步( 30分钟)预测，并在一年中的不同季节和一天中的天气情况下进行了评估。

   

表5展示了不同模型对一个季节3步和6步光伏发电功率预测的MAE、MBE和RMSE。对于秋季，LSTM - TCN在两个时间段均优于LSTM和TCN。与TCN模型相比，本文模型的MAE在3步预测时降低了2.71 %，在6步预测时降低了6.69 %。与LSTM模型相比，LSTM - TCN的误差在3步时间段内劣化了6.18 %，在6步时间段内劣化了5.43 %。对于冬季，LSTM和TCN模型在3步预测中具有相似的性能然而，LSTM - TCN模型的误差为0.84 KW，与它们相比具有更低的误差。对于6步时间周期，LSTM模型优于TCN模型，而我们提出的模型优于两者。对于春夏两季，LSTM - TCN表现出良好的精度，并超过其他模型，尤其是在夏季两个时间段。虽然夏季天气稳定，光伏发电行为更容易预测，但LSTM模型的MAE比LSTM - TCN提高了25.76 % ( 3步预测)和19.65 % ( 6步预测)。综上所述，我们提出的模型能够在不同季节和不同时间范围内比LSTM和TCN模型更有效和准确地预测光伏功率。对于平均偏差，对于3步和6步光伏功率预测，TCN和LSTM模型在秋季、春季和夏季低估光伏功率，在冬季高估光伏功率。同时，对于3步和6步光伏功率预测，所提出的模型在秋季、冬季和春季高估了光伏功率，在夏季低估了光伏功率。可以看出，与所提出的模型的偏差误差相比，TCN和LSTM模型在某些季节对3步和6步预测的偏差误差较低，而正如我们前面所说，MBE有一个缺点，它没有显示出模型的正确性能。因此，为了得到准确的偏差误差，我们计算了图16所示天数的MBE。

  图18显示了3天中每一步的偏置误差。正如预期的那样，偏差误差在光伏功率波动较大的时段较高，在功率稳定时较低。通过将预测步数从3步增加到6步，特别是在光伏功率波动较大的时段，偏差误差有所增大。表6展示了各模型在3步和6步预测中对间歇步骤(间歇日)和稳定步骤(晴天)光伏功率的MBE。如表所示，LSTM - TCN模型相比于LSTM和TCN具有较低的偏置误差(接近于零)分别对两个时段的间歇日和晴空日进行模型预测。

    图19显示了LSTM，TCN和LSTM - TCN模型在3步和6步光伏功率预测情况下所有季节的MBE直方图。与一步光伏功率预测一样，高频的条在两种情况下都接近于零，这表明模型的良好性能，与一步光伏功率预测相比，频率更低。此外，LSTM和TCN模型在两种情况下都更倾向于低估实际光伏功率，而LSTM - TCN模型分别在3步和6步情况下高估和低估了实际光伏功率。

    为了测试我们提出的模型在不同天气条件下的多步预测，使用表7显示了不同模型在不同时间段不同天情况下的MAE。又如图。20 - 22被用来展示一天情况下模型得到的实际光伏功率和预测曲线，以及当天的绝对误差。

    在晴天情况下，LSTM - TCN对3步预测的MAE为0.261 KW，对6步预测的MAE为0.367 KW，比TCN和LSTM模型分别低19.69 %和29.45 % ( 15 min )，比光伏发电功率预测低14.65 %和4.17 % ( 30 min )。作为一步预测，在光伏发电功率较低的(在0 ~ 20步和100 ~ 120步之间)下进行15 min的光伏发电功率预测时，晴天的误差较大，此时LSTM模型在这些区域似乎更加准确。同样对于30min预测，误差较大的区域相比于15min时段增加了(从100 ~ 120步到80 ~ 120步)，因此预测时段越多，模型对晴天尤其是低谷时段的光伏功率预测越发困难。

  对于阴天，两个时段的预报误差都很大。对于这种情况，TCN模型在3步和6步光伏功率预测中都超越了LSTM和LSTM - TCN模型。虽然LSTM模型在阴天的单步预测中可以准确地预测光伏功率，但对于多步预测，它无法做到这一点。此外，我们提出的模型在两个时间段都优于LSTM模型，并且在6个步骤的预测中表现出与TCN模型相似的精度，MAE的差异为0.003 KW。

  

对于间歇日，如表7和图22所示，与其他日情况相比，预测光伏功率是最困难的。即使在日间光伏功率波动较大的情况下，LSTM - TCN模型对3步光伏功率预测的误差比TCN模型低2.88 %，比LSTM模型低4.36 %。在30min的时间段内，TCN模型和LSTM模型的MAE分别比本文提出的模型高2.8 %和6.37 %，这使得LSTM - TCN可以高效准确地预测间歇日的光伏功率。

4.Conclusion

   为了提高光伏发电功率预测精度，LSTM - TCN被提出用于极短期预测应用。本文提出的新模型结合了长短期记忆模型和时态卷积网络模型。利用LSTM从输入数据中提取时序特征，并结合TCN构建特征与输出之间的联系。将新方法与LSTM和TCN进行比较，以考察其在一步和多步预测中的准确性。此外，我们提出的模型在一年中的不同季节和特定天气状况下(阴天，晴天和间歇天)进行了评估。

    对于一步预测，LSTM - TCN模型的MAE误差比LSTM和TCN模型分别低8.47 %、14.26 % (秋季)，6.91 %、15.18 % (冬季)，10.22 %、14.26 % (春季)，14.26 %、19.23 % (夏季)。我们提出的模型在晴天、间歇性和强间歇性天气下的表现优于其他模型，然而对于阴天，LSTM模型显示出很高的准确性，因为它能够从训练数据中的少量样本中学习模式，其中阴天的情况与晴天和间歇性天气相比很少。对于多步预测，模型预测光伏功率从 2 步到 7 步。我们提出的模型在所有预测的时间段内都超过了LSTM和TCN模型。与TCN模型相比，LSTM-TCN在预测的2、3、4、5、6、7步的MAE（一年内）分别降低了11.65%、1.33%、4.73%、0.09%、6.37%和6.16%，而LSTM模型的误差（MAE）比我们提出的模型高4.05%、5.87%、4.73%、5.09%、8.22%和3.50%。为了进一步研究，选择了 3 步和 6 步光伏功率预测两个时间段来评估我们的模型在不同季节和白天的情况 结果表明，LSTM-TCN 在一年中的每个季节和预测的两个时间段的晴朗、间歇性天数中都优于所有模型。对于阴天，在3步预测中，TCN模型超过了我们提出的模型和LSTM模型，但在6步时间段内，我们提出的模型具有与TCN模型相似的精度，并且优于LSTM模型。关于MBE，与LSTM和TCN模型相比，所提出的模型在晴天和间歇性天数中具有较低的偏差。

   在未来的工作中，将利用气象数据与光伏功率实测历史和自注意力机制来研究它们对一步和多步光伏功率预测准确性的影响。此外，研究高温情景对预测模型精度的影响也将作为未来的工作。