【光伏风电功率预测】提高 1%：基于 CNN-BiLSTM-Attention 的回归预测模型

1. 引言：从“能用”到“多 1%”的价值

在你现在这种实际工程场景里，模型已经“能用”：

• 有比较成熟的 NWP（气象预报）/SCADA 数据管线；

• 有 LSTM / GRU / 其他深度网络在跑预测；

• 指标上大致可控，调度侧也能用。

接下来最难的，往往不是从 70 分到 85 分，而是——在已经还不错的基线之上，再挤出 1% ~ 2% 的提升：

• nRMSE 每降 1%，大区级别一年可能就是几百万到几千万的经济效益（备用压减、罚款降低、交易收益等）；

• 也是你后面写方案、汇报“新一代模型”的最硬核的一行数字。

想多这 1%，只换个模型名字肯定不够，必须做到：

“结构合适 + 细节到位 + 损失和业务一致”。

本文围绕一个非常工程向的模型组合：
CNN-BiLSTM-Attention 回归预测架构，系统性谈谈如何在现有管线基础上，稳稳地去拿这 1%。

---

2. 场景与问题定义：多变量短期回归

从任务形式上看，我们做的是标准的多变量时间序列回归：

• 输入：过去 (L) 个时间步的多源特征