双分支混合光伏预测模型

本文以超短期光伏功率数据集为例。

核心结构：双分支设计

该模型采用双分支并行架构，每个分支处理不同的预测任务：

1. ​回归分支（功率预测核心）​​：

   • 模型组件：双层LSTM → 全连接层
   • 输入：共享特征提取层的64维输出
   • 输出：连续功率预测值（reg_out）
   • 目标：基础功率值回归预测

2. ​分类分支（光照状态感知）​​：

   • 模型组件：单层LSTM → 全连接层 → Sigmoid激活
   • 输入：共享特征提取层的64维输出
   • 输出：光照状态概率（0-1之间的class_out）
   • 目标：识别未来是否有足够光照（GHI > 20W/m²）

     # 代码实现片段
     class HybridSolarModel(nn.Module):def forward(self, x):# 共享特征层x, _ = self.lstm1(x)# 回归分支reg_x, _ = self.reg_lstm(x)reg_x = reg_x[:, -1, :]  # 只取最后时间步reg_out = self.reg_fc(reg_x)  # 基础功率预测# 分类分支class_x, _ = self.class_lstm(x)class_x = class_x[:, -1, :]class_out = self.class_fc(class_x)  # 光照状态概率# 特征融合