增强型CNN-LSTM模型的基本架构
本文提出的增强型CNN-LSTM模型如图1所示，模型的整体流程是以数据预处理为起点，经改进后的CNN层与LSTM层完成特征提取与动态融合，最终通过输出层实现预测。
增强型CNN-LSTM模型的基本架构在输入层、特征提取层与融合层均进行创新，具体结构为：
1）输入层。接收四维张量c∈RB×T×F×C，其中R为多维向量空间矩阵，B为批量大小向量，T为序列长度向量，F为特征数量向量，C为通道数向量。引入“能源类型标识”维度，通过独热编码ε∈R3区分光伏、风能、水力，为后续自适应子网络提供触发信号。
2）CNN层。基础卷积层Zbase，包含32个3×3滤波器，使用ReLU函数激活，用于提取通用空间特征，即：
3）时空互注意力模块。模块接收CNN输出的空间特征信息Z与LSTM基于前3个时间步数据生成的初始隐状态h0，通过双向注意力计算实现特征增强。其中，空间特征作为“查询”Q =Z，时间特征作为“键值”K = V = H。注意力权重αt,s计算公式为：
4）LSTM层。LSTM层学习通用时序依赖，单元状态更新遵循经典LSTM表达式，即：
5）输出层。主输出为能源发电量预测值y，即：
多源异构能源数据建模与实验验证
本研究采用Open-MeteoAPI公开历史气象数据集，覆盖2020年—2023年北非某多能互补电站区域（31.2018°N，29.9158°E）的小时级数据，总样本量26 280条，其中常规场景样本占75%，极端场景样本占25%（含光伏辐射突降、风速>12 m/s、日降水量>40 mm及多因素叠加极端样本）。数据分布符合该区域地中海气候统计规律。
增强型CNN-LSTM模型与Transformer、图神经网络等基线模型的对比结果如表2—表4所示。
由表2—表4可知，在光伏、风能及水力预测任务中，所提模型均展现出显著的性能优势。具体而言，增强型CNN-LSTM的各项误差指标EMS，ERMS均低于基线模型，且决定系数ER2更高，证明了其在复杂气象与多能互补场景下的精度与拟合优度更优。
该优势归因于针对性的架构设计：一是能源类型自适应子网络，能针对3类能源的物理特性定制特征提取策略，弥补了基线模型场景适配性弱的缺陷；二是时空互注意力机制实现了时空特征的深度融合，克服了传统模型在联合建模时的局限性。
考虑到可再生能源出力具有强波动性和随机性，本文选取了兼具代表性和敏感性的5项通用统计指标EMS，ERMS等对模型输出进行评估。其中，EMS和ERMS能够有效捕捉极端天气下的预测偏差，而ER2则直观反映了模型对复杂非线性关系的拟合优度。这套指标体系贯穿光伏、风能及水力预测全过程，确保了实验结果的可比性与客观性。
本节旨在基于极端场景误差率与特征重要性一致性两个核心指标，对比分析不同预测模型在极端天气场景下的鲁棒性，并验证模型预测逻辑与领域知识的契合度，从而为模型的实际工程应用适用性提供理论依据。
采用文档中提及的 Open-Meteo 历史气象数据集，从中筛选出 3 类极端样本：（1）光伏场景：太阳辐射突降，1 h 内辐射强度下降>50%；（2）风能场景：风速>12 m/s；（3）水力场景：日降水量>40 mm，详细参数与映射关系如表5所示。
常规样本为非极端条件下的随机抽样，2类样本比例为7 ∶3，总样本量1 000组。仿真结果如表6和表7及图5和图6所示。
为进一步验证模型在极端场景下的可解释性，本节结合表5—表7及图5—图6展开分析。表5界定测试场景，图5展示多模型发电曲线对比，表6量化结果表明增强型CNN-LSTM精度最优。表7显示模型输出权重与领域知识高度吻合：光伏以太阳辐射（0.32）为核心，风电关注风速（0.30）与湍流度（0.28），水电侧重降雨量（0.25）与流域坡度（0.22），均符合物理规律。图6揭示动态权重分配机制：极端工况下，模型通过注意力机制自动提升核心特征权重以避免过拟合。特征重要性一致性达89%，验证了模型的鲁棒性与合理性。
综上，该模型在复杂极端场景下兼具精度与可信度，修正了单一场景实验对稳定性的高估，更贴合实际电网运行特点，可为工程应用与电网极端天气调度提供客观可靠的技术支撑。
多数据集跨场景泛化能力验证及对比分析
为进一步验证增强型CNN-LSTM模型的普适性，本节选取4种典型气候数据集，在控制超参数不变前提下开展跨场景泛化验证结果如表8所示。增强型CNN-LSTM在4种气候区均保持最优精度，尤其在数据稀疏的高原山地，ER2仍高于0.92，验证了优异的跨区域适应能力。
对比分析表明，传统模型及单一深度学习模型在非训练集区域性能波动达30%~45%，而增强型CNN-LSTM波动控制在15%以内。这得益于卷积层对区域性时空特征的强提取能力，有效克服了数据分布偏移导致的精度骤降问题，具备卓越的多场景泛化能力。
