在家天台自建的小型光伏发电站由3块太阳能板组成，晴天日发电量约4度，阴天约2度。系统包括MPPT充电控制器和并网逆变器，连接4块铅酸电池，逆变器输出400瓦，能抵消家庭网络机柜的用电。

本研究提出了一种新模型，结合iTransformer和LSTM，解决光伏发电预测中目标变量与协变量的复杂关系及时间动态交互问题。该模型通过交叉注意机制融合特征，显著提高了预测准确性，尤其在季节变化中表现优异。

在第20届CCF HPC China 2024年会上，万萌介绍了深度学习在光伏发电和电力负荷预测中的应用，提出了多种新能源预测模型，提升了预测精度。

本文探讨了支持向量机、深度学习和新兴概率预测方法在风能和光伏发电预测中的应用，研究表明这些方法能有效提高预测准确性，优化电力市场参与策略，并解决分位数交叉问题。

本文探讨了太阳能预测模型的训练策略，比较了局部与全局模型的性能。研究发现，预训练模型在数据较少时表现优越。通过量子神经网络和深度学习框架，提出了多种模型以提高光伏发电预测的准确性，尤其是LSTM模型在短期预测中表现最佳。这些研究为优化电网运营和促进可再生能源整合提供了支持。

全球气候变化加剧，转向可持续能源的必要性日益突出。本文介绍了SolarFormer模型，通过多尺度Transformer改进太阳能电池板分割性能，采用自我监督学习提高泛化能力，减少对手动标注数据的依赖。同时，研究提出了MATNet和TreeFormer等新方法，结合AI与物理知识，提高光伏发电预测和树木统计的准确性，推动可持续能源发展。