专业术语统计报告_基于深度学习的光伏场站短时间尺度功率预测方法研究

一、概要简析

【概要分析】
哇哦！本文档《基于深度学习的光伏场站短时间尺度功率预测方法研究》正围绕着一个超有趣的研究主题展开了一场系统性的探索大冒险呢！📚 文档里总共塞满了 166316 个字符宝宝，其中有着 59003 个可爱的中文字符，还有 11187 个活泼的英文字词，真是中英文手牵手、完美搭配的学术小明星呀！🌟 我们从文档里捉住了共计 1537 个专业术语小精灵，它们分布在 6 个不同的研究领域乐园里，最热闹的地方主要集中在 时间序列预测(1307次)、电力系统(1303次)、可再生能源(1287次) 哦。像“特征”（出现了 450 次哟）和“光伏功率”（出现了 248 次呢）这样的高频术语小家伙们，可是反映了研究中最核心的关注点呢！总的来说，这篇文献在相关研究领域里可是闪闪发光的学术宝藏，通过系统的分析和论述，为后来的研究小伙伴们提供了超级重要的理论基础和方法参考锦囊哦！🎒

【数据统计】

• 总字符数：166316
• 中文字符数：59003
• 英文字词数：11187

二、统计图表分析

2.1 三类术语层次分布

【数据统计】

• 论文名称术语：4个 (核心术语：功率预测、深度学习、光伏场站)
• 标题摘要术语：538个 (核心术语：光伏功率、预测结果、深度学习)
• 正文术语：995个 (核心术语：特征、光伏功率、预测结果)
• 术语总数：1537个
• 频次占比：论文名称 3.3% | 标题摘要 37.4% | 正文 59.3%

【可视化图表】

类别	术语数量	频次	占比
论文名称	4	368	3.3%
标题摘要	538	4172	37.4%
正文	995	6628	59.3%
总计	1537	11168	100%

【图表评论】
看呀，旭日图就像一个大蛋糕🍰，展示了三类术语在文档不同部分的层次分布魔法！从内向外层层递进，分别是论文名称术语、标题摘要术语和正文术语大家庭。

• 最里面的核心层：论文名称层级藏着 4 个核心术语小宝石，总频次高达 368 次，占比 3.3 % 呢！其中的核心成员包括“功率预测、深度学习、光伏场站”，它们直接概括了研究最核心的主题，就像是皇冠上的明珠💎。
• 中间扩展层：标题摘要层级住着 538 个术语小伙伴，总频次 4172 次，占比 37.4 %，核心代表如“光伏功率、预测结果、深度学习”，它们反映了研究的次要关键词和方法论，像是给主题穿上了漂亮的外衣🧥。
• 最外层丰富层：正文层级最为热闹非凡，包含 995 个术语大家族，总频次 6628 次，占比 59.3 %，核心成员如“特征、光伏功率、预测结果”，体现了研究的具体技术细节和实验方法，就像是充满了细节的宝藏地图🗺️。 从内向外逐层细化，论文名称术语聚焦于研究主题，标题摘要术语扩展了研究范围，正文术语则深入到具体技术实现，形成了完整的术语层次体系，清晰地揭示了文档的知识结构，真像是一棵茁壮成长的知识大树呀！🌳

---

2.2 研究领域分布

【领域分析】

• 主要领域：时间序列预测(1307次)、电力系统(1303次)、可再生能源(1287次)

【可视化图表】

研究领域	术语出现次数
光伏发电	1265
深度学习	1278
电力系统	1303
时间序列预测	1307
机器学习	1245
可再生能源	1287
总计	7685

【图表评论】
雷达图就像一个神奇的六边形战士盾牌🛡️，展示了专业术语在六个研究领域的分布情况，直观地反映了文档的学科交叉特性，超级酷！从图中可以看出，术语分布有着这样的小秘密：

• 时间序列预测 出现频次最高，达 1307 次，表明该领域是研究最坚实的核心基础，就像是大树的根🌱。
• 电力系统 和 可再生能源 的频次分别为 1303 次和 1287 次，构成了研究的次要支撑领域，像是强壮的树枝🌿。
• 而 机器学习 频次相对较低，为 1245 次，说明该领域在本研究中涉及较少，像是在旁边悄悄探头的小花🌸。 各领域术语分布虽然有一点点小差异，但整体来说非常均衡和谐，标准差为 21.4，反映了研究的多学科交叉融合特点，就像是一场热闹的学术派对🎉！这种分布格局表明，本研究不仅深耕于核心领域，同时广泛吸纳了相关学科的理论与方法，形成了一个超级完整的研究体系呢！

---

2.3 专业术语分布

【集中度分析】

• 前5术语累计频次：1237次
• 前5术语累计占比：17.3%
• 前10术语累计占比：25.2%

【可视化图表】

排名	术语	频次
1	特征	450
2	光伏功率	248
3	预测结果	210
4	概率	170
5	功率预测	159
6	深度学习	149
7	光伏功率预测	130
8	分辨率	105
9	神经网络	89
10	特征提取	88
11	光伏发电	83
12	预测模型	81
13	确定性预测	78
14	概率预测	77
15	分位数	76
前15累计		2193

【图表评论】
环形图和柱状图像是两个可爱的放大镜🔍，展示了高频术语的分布情况与集中度。从图中可以惊喜地发现：

• 前5个高频术语累计频次达 1237 次，占总频次的 17.3 %，呈现出超高的术语集中度，它们可是明星中的明星呀！⭐
• 前10个高频术语累计占比达 25.2 %，进一步证实了研究主题的聚焦性，就像大家围着一个篝火讲故事🔥。
• 排名第一的术语“特征”出现 450 次，是研究绝对的核心概念C位出道！👑
• 排名第二的术语“光伏功率”出现 248 次，排名第三的术语“预测结果”出现 210 次，这三兄弟共同构成了研究的核心术语体系，缺一不可哦！🤝
• 从排名第 5 开始，术语频次明显下降，呈现出长尾分布特征，就像是一条长长的尾巴🦎，表明研究围绕少数核心概念展开，而其他术语则是对核心概念的补充和细化。这种分布模式符合学术文献的一般规律，体现了研究的深度与广度，真是太棒啦！👏

---

2.4 术语共现网络

【共现分析】

• 核心节点：预测结果
• 最强关联对：功率预测 - 光伏功率 (151次)
• 主要聚类：以图像增强、注意力机制等为核心的术语聚类
• 共现关系总数：14对

【可视化图表】

术语A	术语B	共现次数
光伏功率	光伏功率预测	146
概率	概率预测	98
分辨率	功率预测	6

【图表评论】
术语共现网络图像是一张充满魔法的蜘蛛网🕸️，展示了高频术语之间的关联关系，揭示了文档隐藏的知识结构。

• 网络中包含 10 个节点小星星和 14 条连接线，形成了一个以“预测结果”为中心的术语聚类大星球🪐。
• 最强关联对为“功率预测”与“光伏功率”，它们共现次数达 151 次，就像是一对形影不离的好朋友👫，表明这两个概念在研究中有紧密的关联性。
• 从网络结构来看，主要形成了 3 个有趣的聚类小团体：
  • 聚类一：以“光伏功率”为核心老大，包含“预测结果”、“深度学习”等术语小弟，反映了 以光伏功率为核心的相关研究 方面的研究趣事；
  • 聚类二：以“功率预测”为首领，包含“其他”、“其他”等术语成员，对应 以功率预测为核心的相关研究 方面的精彩内容；
  • 聚类三：则聚焦于“光伏功率预测”相关的研究方向，探索未知的领域🚀。
• 各聚类之间通过“预测结果”等术语小手拉小手相互连接，形成了完整的知识网络。这种网络结构清晰地展示了研究的核心主题及其相互关系，有助于我们理解文档的整体框架和知识体系，就像是在看一张藏宝图一样清晰明了！🗺️✨

---

2.5 核心概念词云

【词云数据统计】

• 词云术语总数：20个
• 加权总频次：421.4次

【可视化图表】

排名	术语	加权频次
1	功率预测	159.0
2	特征	45.0
3	光伏功率	24.8
4	预测结果	21.0
5	概率	17.0
6	发电功率	16.0
7	深度学习	14.9
8	高斯核	14.0
9	光伏功率预测	13.0
10	概率分布	12.5

【图表评论】
词云图就像是一片五彩斑斓的术语花海🌸，通过加权频次直观呈现了文档的核心概念体系，美极了！

• 图中包含 20 个术语花朵，加权总频次达 421.4 次，真是繁花似锦呀！
• 排名前五的术语大明星分别为：“功率预测”（159 次）、“特征”（45.0 次）、“光伏功率”（24.8 次）、“预测结果”（21.0 次）和“概率”（17.0 次）。这些术语的字号最大、位置最显眼，构成了研究的核心概念群，就像花园里最盛开的几朵牡丹🌺。
• 从词云的整体分布来看，术语按照重要程度由大到小、由中心向四周排列，形成了层次分明的视觉结构，就像涟漪一样扩散开来🌊。排名靠前的术语反映了研究的核心主题和方法，排名中等的术语体现了研究的具体内容和细节，排名靠后的术语则展示了研究的边缘话题或未来方向。词云图不仅总结了全文的关键概念，也为读者快速把握研究要点提供了直观的视觉引导，是理解文档内容的重要辅助工具，简直太贴心啦！💖

---

2.6 英文缩写分布

【缩写统计】

• 缩写总数：30个
• 缩写总频次：372次
• 高频缩写 Top 5：
  1. CNN：69次
  2. MAE：53次
  3. RMSE：53次
  4. LSTM：32次
  5. PV：24次
• 前5缩写累计占比：62.1%

【可视化图表】

排名	缩写	频次
1	CNN	69
2	MAE	53
3	RMSE	53
4	LSTM	32
5	PV	24
6	TCN	20
7	IEEE	20
8	FC	12
9	PICP	10
10	WS	10
前10累计		303

【图表评论】
环形图像是一个装满了英文缩写糖果的罐子🍬，展示了它们在文档中的分布情况。

• 文档中共出现 30 个不同的英文缩写小精灵，总频次达 372 次，真是热闹非凡！
• 排名前五的缩写明星分别为：“CNN”（69 次）、“MAE”（53 次）、“RMSE”（53 次）、“LSTM”（32 次）和“PV”（24 次），前5个缩写累计占比达 62.1 %，呈现出超高的集中度，它们是罐子里最受欢迎的口味哦！😋
• 从缩写的类型来看，主要包括期刊名称缩写（如“CNN”）、作者姓名缩写（如“MAE”）、技术术语缩写（如“RMSE”）和评价指标缩写（如“LSTM”）等，种类丰富多样！
• 这些缩写的高频出现，反映了文档引用了大量该领域的经典文献，采用了通用的技术术语和评价标准，体现了研究的规范性和专业性，就像是一位穿着得体、举止优雅的学者🎓。缩写的分布特征也为读者理解该领域的学术交流习惯提供了参考，真的是很有帮助呢！📖

---

三、原文章节举例

3.2.1 所提方法整体架构

所提方法的整体架构如图3-1所示。各组成部分所包含的技术内容简述如下：

（1）数据预处理：这部分主要是对输入的时间序列进行预处理，包括空缺值和异常值的检测和填充、数据归一化、数据格式转换（一维CNN需要三维张量输入数据格式）、模型参数初始化。

（2）QK_CNN模型：这部分展示了所提模型的所有模块，可归纳为两大模块（低隐藏层的四核堆叠CNN模块和高隐藏层的单核CNN模块)。低隐藏层的四核堆叠CNN模块用于提取输入序列中四个时间步之内的局部交叉特征，然后高隐层的单核CNN模块用于进一步对四核CNN提取到的所有局部特征信息进行更复杂、更抽象的全局特征提取，最后得到涵盖目标序列的局部特征和全局特征的预测结

果。

（3）结果可视化：为了验证所提模型的性能，使用RMSE、MAE和 ${\mathbb{R}}^2$ 三个评估指标从不同角度综合评价所提方法的预测性能，并将预测结果和其评估结果可视化。

图3-1 所提方法整体架构

Fig. 3-1 Overall architecture of the proposed method

---

四、原文章节举例

4.2.1 模型数据输入模式选择

现有基于深度学习的光伏功率预测技术研究，在模型数据的输入模式选择方面方法依然单一，基本上都采用了单一输入模式，不是将单一目标序列作为模型的唯一输入，就是将多变量序列（目标序列和其他外生变量序列的组合）作为模型的唯一输入。单一历史功率序列的输入模式仅能向深度学习模型提供有关历史功率序列元素之间的相关信息，忽略了其他外生变量对历史功率序列变化趋势的影响。多变量序列输入模式虽然包含了历史功率及历史功率与其他外生变量之间相互影响的信息，但缺乏对历史功率序列元素之间依赖信息的针对性提供。

有别于现有研究模型输入层的单一输入模式，本章模型的输入数据在被送入模型之前被设计为双输入分支的输入模式。图4-1中的输入层部分针对性的表达了本章模型输入数据的输入模式。单变量数据作为一组输入（历史功率序列的 $\mathbf{n}\times 1$ 维矩阵），多变量数据作为另一组输入（包含历史功率序列的 $\mathbf{n}\times \mathbf{m}$ 维特征矩阵），其中 $\mathbf{n}$ 代表输入序列的长度， $\mathbf{m}$ 代表特征的数量。两个输入矩阵中的每个小矩形代表一个序列元素， ${\mathbf{f}}_{t1}$ 、 ${\mathbf{f}}_{t2}$ 、 ${\mathbf{f}}_{\mathrm{tm}}$ 代表输入特征变量，如功率、辐照度和温度等。多变量输入分支主要为预测模型提供每个特征序列元素之间的时间和空间约束信息。虽然目标序列元素之间的约束信息也包含在这些特征信息中，但权重影响并

不充分，会影响后续模型对目标序列元素间约束关系的细节性学习。因此，本章研究增加了单目标序列输入分支，针对性地为后续预测模型提供目标序列元素之间的约束信息。双组数据输入模式将光伏数据与深度学习模型结构深度融合，为后续预测模型提供更精细的输入特征信息，提高预测模型学习效率。

图4-1本章模型输入数据的输入模式

Fig. 4-1 Input patterns for model input data in this chapter

---

五、总结

本报告对《基于深度学习的光伏场站短时间尺度功率预测方法研究》进行了一次超级系统的专业术语统计与分析大探险！🗺️

• 文档总字符数 166316，中文字符 59003 个，英文字词 11187 个，共提取专业术语 1537 个，收获满满！🎒
• 高频术语“特征”（450 次）、“光伏功率”（248 次）等构成了研究的核心概念体系，它们是整篇文档的灵魂人物哦！🌟
• 文档涉及 6 个研究领域，主要集中在 时间序列预测(1307次)、电力系统(1303次)、可再生能源(1287次)，体现了多学科交叉的研究特点，就像是一个多元化的学术游乐园🎡。
• 术语共现网络包含 10 个节点和 14 条边，最强关联对“功率预测”与“光伏功率”共现 151 次，形成了以“预测结果”为中心的术语聚类，关系网超级紧密！🕸️
• 英文缩写共出现 30 个，总频次 372 次，前五缩写“CNN”（69 次）等累计占比 62.1 %，反映了文档引用的经典文献和技术标准，真是博学多才呀！📚 综上，本报告通过多维度术语统计，全面揭示了文档的知识结构和研究焦点，就像是为文档画了一幅清晰的肖像画🎨，让大家一眼就能看懂它的奥秘！

---

六、原文部分参考文献

[1] Houran, M.A., Bukhari, S.M.S., Zafar, M.H., Mansoor, M., Chen, W. COA-CNN-LSTM: Coati optimization algorithm-based hybrid deep learning model for PV/wind power forecasting in sm art grid applications. Appl. Energy 2023, 349, 121638.
[2] International Renewable Energy Agency 2022 Renewable Energy Capacity Statistics. Available online: https://www.irena.org/publications/2022/Apr/Renewable-Capacity-Statistics-2022 (accessed on 5 February 2024).
[3] https://www.irena.org/Energy-Transition/Technology/Solar-energy.
[4] 王伟胜, 车建峰, 王勃, 等. 光伏发电功率预测技术及应用[M]. 中国电力出版社, 2019.
[5] Raza M Q, Nadarajah M, Ekanayake C. On recent advances in PV output power forecast. Solar Energy 2016; 136: 125-144.
[6] Chu Y, Urquhart B, Gohari S, et al. Short-term reforecasting of power output from a 48 MWs solar PV plant. Solar Energy 2015, 112:68-77.
[7] Asrari A, Wu T X, Ramos B. A Hybrid Algorithm for Short-Term Solar Power Forecasting—Sunshine State Case Study. IEEE Transactions on Sustainable Energy 2017, 8(2):582-91.
[8] Jie S, Lee W J, Liu Y, et al. Forecasting power output of photovoltaic system based on weather classification and support vector machine. Industry Applications Society Meeting. IEEE. 2011, 46: 6074294.
[9] Mda B, MD B, Pl B, Jb C, Ns A. Review of solar irradiance forecasting methods and a proposition for small-scale insular grids. Renewable and Sustainable Energy Reviews 2013, 27(Nov.):6-5.
[10] Raza MQ, Khosravi A. A review on artificial intelligence-based load demand forecasting techniques for smart grid and buildings. Renewable and Sustainable Energy Reviews 2015, 50(oct.):1-352-72.
[11] Marcos R D, Bello A, Reneses J. Electricity price forecasting in the short-term hybridising fund amental and econometric modelling. Electric Power Systems Research 2019, 167(FEB.):240-5 1.
[12] 张俊涛, 程春田, 申建建, 等. 考虑风光不确定性的高比例可再生能源电网短期联合优化调度方法[J]. 中国电机工程学报, 2020, 40(18):5921-5932.
[13] 万灿, 宋永华. 新能源电力系统概率预测理论与方法及其应用[J]. 电力系统自动化, 2021, 45(1):2-16.
[14] 李洪宇, 鞠平, 余一平, 等. 随机激励下系统频率动态安全性量化评估及半解析分析[J]. 中国电机工程学报, 2017, 37(7):1955-1962.
[15] Hodge B M, Brancucci Martinez-Anido C, Wang Q, et al. The combined value of wind and solar power forecasting improvements and electricity storage. Applied Energy 2018, 214:1-15.