✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
现有光伏功率预测模型多聚焦单一输出预测，且缺乏对特征贡献的可解释性分析，难以满足电网调度中多时间尺度功率预判与决策支持需求。针对这一问题，本文提出一种 TCN-BiGRU 融合 SHAP 分析的多输出光伏功率预测模型，创新点如下：（1）构建 TCN-BiGRU 混合网络结构，利用 TCN 的膨胀卷积提取局部时空特征，BiGRU 双向捕捉长时序列依赖，实现多维度特征的深度融合；（2）引入 SHAP（SHapley Additive exPlanations）值分析，量化各输入特征对不同时间尺度输出功率的贡献度，提升模型可解释性；（3）设计多输出预测框架，同时实现超短期（15min-ahead）、短期（1h-ahead）、中期（4h-ahead）光伏功率预测，适配不同调度场景需求；（4）新增新数据实时预测模块，支持在线数据增量学习与动态模型更新，提升工程实用性。以某 100MW 光伏电站实测数据为验证对象，实验结果表明：模型对 15min、1h、4h 功率预测的 MAE 分别为 1.72kW、2.15kW、3.08kW，R² 均达 0.975 以上；SHAP 分析精准识别出太阳辐照度（贡献占比 38.2%）、前 1h 功率值（贡献占比 27.6%）为核心影响因素；多输出预测精度较单一输出模型提升 12.3%~18.7%，为电网多时间尺度调度提供了高精度、可解释的预测工具。
1 引言
1.1 研究背景与拓展需求
光伏功率的多时间尺度精准预测是实现电网灵活调度、提升光伏消纳效率的核心技术支撑。现有预测模型多采用单一输出设计，仅能实现某一时间尺度（如 1h-ahead）的功率预测，难以满足电网 “超短期实时调度 - 短期计划制定 - 中期资源配置” 的全流程需求。同时，传统黑箱模型（如 LightGBM、单一 GRU）缺乏对特征贡献机制的解释能力，无法为运维人员提供 “哪些因素影响功率输出”“影响程度如何” 的决策依据，限制了模型的工程落地价值。
此外，光伏电站的运行环境具有动态变化特性（如季节更替、设备老化、气象条件突变），传统离线训练模型难以适配新数据分布，导致预测精度随时间衰减。因此，亟需构建具备多输出预测能力、可解释性强、支持在线更新的光伏功率预测模型，解决现有模型的技术痛点。
时序卷积网络（TCN）凭借膨胀卷积与因果卷积特性，能高效提取序列数据的局部时空特征，且具备并行计算优势；双向门控循环单元（BiGRU）通过前向与后向 GRU 的结合，可充分捕捉长时序列的双向依赖关系，两者融合能实现互补优势。SHAP 分析作为当前主流的模型可解释性工具，能基于博弈论原理量化各特征的贡献度，为模型优化与决策支持提供理论依据。基于此，本文构建 TCN-BiGRU-SHAP 多输出预测模型，实现多时间尺度功率预测、特征贡献解释与新数据动态更新的协同优化。
1.2 研究现状与拓展创新点
1.2.1 多输出预测模型研究
现有多输出预测模型主要分为两类：（1）基于多任务学习的共享网络结构，通过共享特征提取层、独立输出层实现多目标预测，但易出现目标间的负迁移问题；（2）基于集成学习的多模型融合，为每个输出目标训练独立模型后融合结果，但计算复杂度高、训练效率低。光伏功率的多时间尺度预测具有目标相关性强（如 15min 功率与 1h 功率高度相关）的特性，亟需设计针对性的多输出网络结构，平衡预测精度与计算效率。
1.2.2 TCN 与 BiGRU 融合研究
TCN 与循环神经网络（RNN）的融合已应用于风电功率预测、负荷预测等领域，如 TCN-GRU 模型通过 TCN 提取局部特征后输入 GRU，提升长时预测精度。但现有融合模型多采用 “TCN 特征提取 + 单一 GRU 序列建模” 的简单串联结构，未充分利用 BiGRU 的双向依赖捕捉优势，且缺乏对多输出预测的适配设计。
1.2.3 本文拓展创新点
在现有研究基础上，本文的核心拓展创新点如下：
多输出网络结构创新：设计 “共享特征提取层 + 独立输出适配层” 的多输出框架，共享 TCN-BiGRU 特征提取网络，为超短期、短期、中期预测分别设计独立的全连接适配层，通过注意力机制动态调整各输出目标的特征权重，避免目标间负迁移；
可解释性增强创新：引入 SHAP 分析模块，构建 “模型预测 - SHAP 特征贡献量化 - 决策建议” 的闭环，量化各特征对不同时间尺度输出的贡献度，生成特征影响热力图与决策路径图；
新数据适应机制创新：设计增量学习模块，采用滑动窗口策略与在线梯度下降（OGD）算法，支持新数据实时接入与模型参数动态更新，避免离线训练导致的精度衰减；
特征工程优化创新：在原有特征体系基础上，新增时间尺度耦合特征（如 15min-1h 功率变化率、辐照度累积预测值）与设备状态特征（如组件温度、逆变器效率），提升多输出预测的特征适配性。
⛳️ 运行结果
📣 部分代码
function drawShapSummaryBarPlot(meanAbsShap, featureNames)
% SHAP特征重要性条形图
[sortedValues, sortedIdx] = sort(meanAbsShap, 'ascend');
figure;
barh(sortedValues, 'FaceColor',[0.3 0.2 0.8]);
set(gca, 'YTick', 1:numel(featureNames),...
'YTickLabel', featureNames(sortedIdx));
xlabel('平均绝对SHAP值');
ylabel('预测因子');
title('SHAP条形图');
grid on;
end
🔗 参考文献
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
