这篇论文《Improved multistep ahead photovoltaic power prediction model based on LSTM and self-attention with weather forecast data》（2024, Applied Energy）聚焦在 多步光伏功率预测 中，如何结合 LSTM 与自注意力机制（self-attention），并 有效引入天气预报数据 来提升预测准确性。
论文核心思想（One-sentence summary）
本文提出一种融合 LSTM 和 Transformer 的混合预测模型 LSTMformer，首次系统性地将 历史与天气预报数据 融合输入，显著提升了光伏发电的多步预测准确性，特别适用于 中长期预测任务。
研究背景与问题
为什么要预测光伏功率？
光伏发电具有 随机性与波动性强 的特点，精确预测其输出是保障电网稳定、提高可再生能源接入率的关键。
现有方法存在的问题：
传统统计模型（ARIMA等） 对非平稳天气场景适应性差；
1.纯LSTM 在长序列预测中精度迅速下降；
2.Transformer 虽强大但不擅长建模时间依赖关系；
3.很少有模型有效利用天气“预报数据”，多数仅用历史天气。
主要贡献与创新点
提出LSTMformer：LSTM+Self-Attention的混合架构
LSTM 处理时间序列特征
Transformer 捕捉多变量间的相关性
Attention 融合天气预报信息
→ 实现短期、长期预测双提升。
设计通用天气预报数据注入方式，适配多种模型架构（LSTM、seq2seq、Transformer）；
历史数据 + 天气预报数据联合输入
无需复杂预处理，直接拼接或嵌入模型中
实证验证（2年5个月的真实建筑光伏数据）：
LSTMformer相较传统LSTM：
长期预测R² 提升 22.5%，整体提升 26.4%
少量历史数据输入时也能保持高精度（1小时即可达R²=0.921）
实验设置
数据来源：日本千叶县浦安市某建筑实际监测数据（2020年11月~2023年3月）
特征：
光伏输出功率（PV Power）、GHI、温度、湿度、气压、风速、日照时长等共11个气象变量。
房屋太阳能光伏板的外观：
PV规格：
模型对比：LSTM、BiLSTM、seq2seq（带attention）、Transformer、LSTMformer
指标：RMSE、MAE、R²（决定系数）
关键实验结果
1.LSTMformer 综合指标最优；
2.即使在输入序列缩短（如仅输入1小时）时，LSTMformer依然保持高精度；
3.相比Transformer，LSTMformer更能结合时间序列依赖与变量间相关性，适合多步预测。
结语
在光伏功率预测任务中，单一依赖LSTM或Transformer已无法应对日益复杂的时间-变量关联模式。LSTMformer作为一种兼具时间建模能力与多变量建模能力的架构，在中长期预测中展现出强大优势。未来，如何进一步增强对天气预报误差的容忍性，是该方向继续演进的关键。