简介项目基于机器学习的光伏功率预测包含Python源码与配套训练、测试数据集面向需要完成毕业设计、课程设计或期末大作业的计算机、电气等相关专业学生也适合机器学习初学者做回归预测练手。围绕光伏功率预测这一场景项目设计了数据处理、模型训练与预测、结果保存等模块代码注释较完整便于理解特征处理与机器学习建模流程。压缩包共19个文件涵盖csv数据、py脚本、ipynb示例、md说明、docx任务书及备份文件整体约4.64MB数据与代码分离结构清晰下载后按说明即可快速部署体验。当前已有65人学习下载适合需要快速搭建光伏预测项目并掌握完整实现思路的读者可直接用于课程答辩、毕业设计支撑或进一步算法优化。1. 光伏功率预测项目为什么值得自己动手做一遍聊到“基于机器学习的Python光伏功率预测项目源码及数据集”很多人的第一反应是去GitHub上找一个star高的仓库跑通然后写进简历。但真正做过一两个并网电站或者分布式光伏项目的人会告诉你光伏功率预测的难点从来不在模型而在数据清洗和特征工程。同样的LSTM或者XGBoost别人跑出95%的准确率你跑出70%差别基本都出在数据上。这套方案的核心价值是让你完整走一遍“原始气象数据→清洗对齐→特征构造→模型训练→误差分析→滚动预测”的链路而这条链路恰好是电力现货交易、电站运维和电网调度里最缺人的环节。这篇实战笔记适合两类人一类是刚入门机器学习、想找一个能落地的回归项目来练手的开发者——光伏功率预测比房价预测、鸢尾花分类更能让你理解时间序列数据的特点另一类是已经在做新能源或者电力行业软件、需要快速搭建一套预测模块的工程师——这里给出的数据字段、模型选型和参数设置可以直接映射到你自己的数据源上。我会把整个方案从数据集结构讲到超短期预测的工程技巧每一步都给出可复现的命令、参数和避坑记录。数据永远是这类项目的上限模型只是逼近这个上限的手段这点先记住。2. 数据集结构拆解光伏功率预测的第一步不是建模是搞懂天气和功率的对齐关系2.1 数据集里有什么从SCADA系统到气象站的多源数据合并光伏功率预测项目的数据集通常包含两类数据源一类是电站本地的SCADA系统采集的逆变器功率、总辐照度、组件温度等运行数据另一类是气象站或数值天气预报NWP提供的辐照度、云量、温度、风速等气象数据。常见的采集频率有两种分钟级1分钟、5分钟、15分钟用于超短期预测小时级用于短期预测。这个项目的源码包里一般附带的是一个或多个电站的历史数据时间跨度从几个月到一两年不等。以典型的光伏电站SCADA数据为例CSV文件的字段通常包括时间戳、总辐照度W/m²、环境温度℃、组件温度℃、风速m/s、风向°、直流功率kW、交流功率kW、逆变器效率等。其中有一个容易忽略的字段叫“功率限发状态”——当电网调度要求限功率运行时实际输出功率会低于理论可发功率这个状态不标注出来模型会学出一堆错误规律。注意拿到数据集后第一件事不是看模型而是逐字段看数据字典。没有数据字典的源码包优先检查CSV表头和前100行数据确认单位、时区、采样间隔这三个信息错了后面步步错。常见的数据集文件组织方式是dataset/ ├── plant1/ │ ├── weather.csv # 气象站数据15分钟粒度 │ ├── power.csv # 逆变器SCADA数据15分钟粒度 │ └── plant_info.json # 电站装机容量、经纬度、组件类型 ├── plant2/ └── readme.txt如果你拿到的数据集只有功率序列没有气象数据那基本只能做统计外推类模型ARIMA、Prophet机器学习模型的价值会大打折扣。反过来如果只有气象数据没有功率数据那只能做理论辐照度到功率的物理换算式谈不上机器学习。理想的数据集必须两者都有并且时间戳要对得上。2.2 时间对齐与重采样两条土办法解决采样频率不一致光伏数据最折磨人的问题就是时间对齐。气象站的数据可能是每15分钟一条逆变器数据可能是每5分钟一条有时候还带几秒到几分钟的延迟直接合并会引入大量空值。我见过有同学直接把两边DataFrame一merge结果功率序列和辐照度序列错位了15分钟模型训练损失一路飘绿但预测永远偏移——这就是典型的时间对齐翻车。正确的做法是先确定目标采样频率然后把两边的数据都重采样到这个频率上。对于超短期预测15分钟粒度最常见对于短期预测1小时粒度够用。代码示例import pandas as pd # 读取原始数据时间列解析为标准时间 power_df pd.read_csv(power.csv, parse_dates[time], index_coltime) weather_df pd.read_csv(weather.csv, parse_dates[time], index_coltime) # 统一重采样到15分钟取每15分钟窗口的均值 power_df power_df.resample(15T).mean() weather_df weather_df.resample(15T).mean() # 按时间戳对齐合并删除没有对应气象记录的功率点 merged_df pd.merge(power_df, weather_df, left_indexTrue, right_indexTrue, howinner) # 检查对齐后各列的空值占比 null_ratio merged_df.isnull().mean().sort_values(ascendingFalse) print(null_ratio.head(10))这段代码的逻辑分三步先把两边的时间序列都重采样到同一种频率15T表示15分钟再用inner join把两边数据对齐最后输出各列空值占比。关键点是重采样的聚合方式默认用mean()取均值比较稳妥但如果数据里有明显的尖峰比如云层快速移动造成的辐照度骤降均值会把这些突变抹平对超短期预测不利——这个问题后面避坑章节还会单独讲。另一个对齐的坑是时区。中国光伏电站数据通常记录的北京时间但有些NWP数据源用的UTC两者的差异在日升日落附近会被模型学进去导致每天早晨和傍晚的预测偏差特别大。处理办法是统一转成带时区信息的时间戳# 如果数据是UTC时间转成北京时间UTC8 merged_df.index merged_df.index.tz_localize(utc).tz_convert(Asia/Shanghai)2.3 异常值与限功率时段剔除数据清洗决定模型上限光伏数据的异常值大体分三类传感器故障导致的恒定值或跳变值比如辐照度为负、功率超过装机容量、通信中断导致的长时间零值、电网限功率导致的实际功率远小于理论功率。前两类是脏数据直接剔除或按前后插值处理第三类不是脏数据但它代表的物理规律和正常时段不一样混在一起训练会让模型产生系统性偏差。经典的清洗方案是按物理规则做条件过滤import numpy as np # 异常点剔除辐照度负值、功率负值或超装机容量 cleaned_df merged_df[ (merged_df[irradiance] 0) (merged_df[irradiance] 1500) (merged_df[power] 0) (merged_df[power] installed_capacity * 1.1) ].copy() # 限功率时段剔除功率偏低但辐照度高、同时风速正常的情况 high_irradiance_mask cleaned_df[irradiance] 400 low_power_ratio cleaned_df[power] / (installed_capacity * cleaned_df[irradiance] / 1000) limit_power_mask high_irradiance_mask (low_power_ratio 0.3) # 剔除限功率时段后记录剔除比例供参考 removed_ratio limit_power_mask.mean() cleaned_df cleaned_df[~limit_power_mask] print(f剔除限功率时段占比: {removed_ratio:.2%})这里有一个背景知识需要说明光伏板的输出功率近似正比于组件面辐照度所以“功率/装机容量”和“辐照度/1000W/m²”应该接近1:1的关系。如果辐照度很高大于400W/m²但功率占比不到理论值的30%大概率是限功率或故障这种样本对训练是毒药直接剔除。当然限功率时段如果单独标注出来也可以保留一部分专门做“限功率识别”的二分类任务那是另一个方向。数据清洗做到这个程度应该可以看到功率曲线的日变化轮廓清晰了。如果清洗完发现功率序列在午间仍然有大片锯齿状波动那大概率是云层遮挡导致的实际辐照度快速变化这类波动要靠后面特征工程里的“波动率特征”来捕捉不是清洗能解决的。3. 特征工程与基线模型先跑通LightGBM再谈深度学习3.1 时间特征与天气特征构造把Excel表格变成有物理意义的数据光伏功率预测特征工程的核心思路是“让模型知道太阳在哪”。最简单有效的时间特征包括小时、月份、一年中的第几天这些特征在本质上帮模型隐式地学习太阳高度角的日变化和季节变化。但更直接的做法是用astral库直接计算每个时间戳对应的太阳高度角和方位角from astral import LocationInfo from astral.sun import elevation import pandas as pd # 电站经纬度来自电站信息文件 city LocationInfo(Plant, China, Asia/Shanghai, 39.5, 118.2) # 逐行计算太阳高度角作为新特征 def add_sun_features(df): df df.copy() df[sun_elevation] [elevation(city.observer, ts.to_pydatetime()) for ts in df.index] # 高度角小于0的时段没有太阳直接标记夜间 df[is_night] (df[sun_elevation] 0).astype(int) return df # 把日期时间分解成周期性特征避免午夜0点突变问题 cleaned_df[hour_sin] np.sin(2 * np.pi * cleaned_df.index.hour / 24) cleaned_df[hour_cos] np.cos(2 * np.pi * cleaned_df.index.hour / 24) cleaned_df[day_sin] np.sin(2 * np.pi * cleaned_df.index.dayofyear / 365) cleaned_df[day_cos] np.cos(2 * np.pi * cleaned_df.index.dayofyear / 365)这里为什么用sin/cos编码而不是直接用小时数值因为小时是圆形变量——23点和0点只差1小时但如果直接用数值表示23和0之间的距离是23模型会以为这两个时间点差异很大导致午夜附近预测值出现跳变。用sin/cos编码后23点和0点在特征空间里是紧挨着的模型学起来顺滑得多。这是时间序列特征工程里最基础也最常被忽略的一个点。另一个重要的衍生特征是高阶气象交互项比如“辐照度是否下降但温度没同步下降”——这是云层遮挡的典型信号。直接构造这类特征工程比较费事一个折中方案是把辐照度和温度都做一阶差分让模型自己学习它们之间的关系# 差分特征捕捉辐照度和功率的变化趋势 cleaned_df[irradiance_diff] cleaned_df[irradiance].diff(1) cleaned_df[power_diff] cleaned_df[power].diff(1) cleaned_df[temp_diff] cleaned_df[temp].diff(1) # 滑动窗口特征过去1小时辐照度均值和波动率 cleaned_df[irradiance_mean_1h] cleaned_df[irradiance].rolling(4).mean() cleaned_df[irradiance_std_1h] cleaned_df[irradiance].rolling(4).std() cleaned_df[power_mean_1h] cleaned_df[power].rolling(4).mean()3.2 LightGBM为什么表格数据上它比深度学习更可靠在光伏功率预测这件事上我的经验是先跑LightGBM或XGBoost建立基线再考虑是否上LSTM、TCN或者Transformer。原因是光伏预测的输入特征以表格型特征为主辐照度、温度、湿度、风速、太阳角度这类特征在梯度提升树模型上很容易达到不错的效果训练速度快、可解释性强而且对特征尺度和缺失值不敏感。数据量在十万级以下时深度学习没有明显优势反而容易在特征归一化和训练调参上浪费大量时间。用LightGBM跑基线模型的代码框架如下import lightgbm as lgb from sklearn.model_selection import TimeSeriesSplit # 特征列清单排除标签和不可用的原始列 feature_cols [ irradiance, temp, humidity, wind_speed, sun_elevation, is_night, hour_sin, hour_cos, day_sin, day_cos, irradiance_diff, irradiance_mean_1h, irradiance_std_1h, power_mean_1h ] X cleaned_df[feature_cols].fillna(-999) y cleaned_df[power] # 时序交叉验证按时间顺序切分训练和验证集避免随机打乱导致数据泄露 tscv TimeSeriesSplit(n_splits5) lgb_params { objective: regression, metric: mae, learning_rate: 0.05, num_leaves: 63, max_depth: -1, min_child_samples: 20, feature_fraction: 0.8, bagging_fraction: 0.8, bagging_freq: 1, verbosity: -1, n_jobs: -1, seed: 42 } for fold, (train_idx, val_idx) in enumerate(tscv.split(X)): train_data lgb.Dataset(X.iloc[train_idx], labely.iloc[train_idx]) val_data lgb.Dataset(X.iloc[val_idx], labely.iloc[val_idx]) model lgb.train( lgb_params, train_data, num_boost_round1000, valid_sets[val_data], callbacks[lgb.early_stopping(50), lgb.log_evaluation(100)] ) print(fFold {fold 1}, best_iteration: {model.best_iteration})这里的关键设计是TimeSeriesSplit而不是普通的KFold。光伏功率是强时间相关序列相邻时间点的数据高度相似如果随机打乱划分训练集和验证集模型等于开卷考试——它在训练时已经见过验证集的“邻居”样本验证指标会虚高等你部署到真实环境做未来预测时就原形毕露。时序切分的核心原则是训练集时间永远在验证集之前。LightGBM的超参数里num_leaves是偏差-方差平衡的控制旋钮。光伏数据非线性强、样本量不算大63是比较中庸的选择如果验证集上过拟合严重训练误差远小于验证误差把num_leaves降到31同时把min_child_samples提高到50会立竿见影。feature_fraction0.8表示每棵树随机抽取80%的特征来分裂这是防过拟合的有效手段也是在特征数不多时仍然值得开的选项。3.3 评价指标踩坑MAE、RMSE和CRPS到底看哪个训练完模型后怎么评价光伏功率预测领域最常用的指标有三个MAE平均绝对误差、RMSE均方根误差和R²决定系数。它们的区别在于惩罚力度MAE对所有误差一视同仁RMSE对大的误差惩罚更重——如果你特别不希望出现“明明预测100kW实际发了0kW”这种大错RMSE更能反映这个问题。但在实际并网项目中电网调度最关心的不是平均误差而是特定时段的极端误差所以还要看分位数误差比如P90误差。一个不太被人说起但很有用的指标是CRPS连续排序概率评分它的特点是同时评价预测值和不确定性估计的质量适合在做区间预测时使用。光伏功率预测的落地方案里光给一个点预测值比如“明天12点功率300kW”是不够的电网更想要的是“明天12点功率大概率在280kW到320kW之间”——这时候就需要用分位数回归或者直接输出预测分布。在前期跑基线阶段你只需要盯住两个数字全天的归一化MAE除以装机容量和中午时段10点到14点的RMSE。前者看整体水平后者看最需要精度的时段表现。如果中午RMSE比全天MAE大三倍以上说明模型在辐照度高的时段波动捕捉不够优先加滑动窗口波动特征而不是换模型。4. 从理论到可运行代码用PyTorch落地一个LSTM光伏功率预测模型4.1 数据窗口化为什么LSTM不能直接吃表格数据LightGBM跑通了基线之后如果你手头的数据量足够超过6个月的15分钟粒度数据可以考虑上LSTM。LSTM的优势在于能直接学习时间序列样本之间的顺序依赖——比如“前15分钟辐照度在下降说明云层正在靠近未来15分钟功率可能会继续下降”这种时序模式LightGBM要显式构造差分特征才能近似学到LSTM可以自己捕捉。但LSTM的输入格式和表格模型完全不同它要求输入是三维张量形状为(样本数, 时间步长, 特征数)。所以需要先把清洗后的表格数据转换成滑动窗口序列。这里的“时间步长”就是回看窗口长度比如用过去6个时刻90分钟预测未来1个时刻15分钟的功率。窗口化的代码import numpy as np import torch from torch.utils.data import Dataset, DataLoader def create_sequences(data, feature_cols, seq_len6, pred_len1): 把表格数据转换为LSTM输入的三维序列。 X, y [], [] values data[feature_cols].values target data[power].values for i in range(len(data) - seq_len - pred_len 1): X.append(values[i:i seq_len]) y.append(target[i seq_len:i seq_len pred_len]) return np.array(X, dtypenp.float32), np.array(y, dtypenp.float32) feature_cols [irradiance, temp, humidity, wind_speed, sun_elevation] X_seq, y_seq create_sequences(cleaned_df, feature_cols, seq_len6, pred_len1) # 按时间顺序切分前80%训练后20%验证 split_idx int(len(X_seq) * 0.8) X_train, X_val X_seq[:split_idx], X_seq[split_idx:] y_train, y_val y_seq[:split_idx], y_seq[split_idx:] # 转换为PyTorch张量并创建数据加载器 train_dataset torch.utils.data.TensorDataset( torch.tensor(X_train), torch.tensor(y_train) ) train_loader DataLoader(train_dataset, batch_size256, shuffleFalse)注意这里shuffleFalse——和LightGBM部分同理时间序列的batch打乱没有意义甚至会让模型学到错误的跨时间依赖。后面的验证集样本在时间上晚于训练集这才是未来预测的真实场景。4.2 模型定义与训练循环LSTM层数、隐藏维度和优化器选择一个在光伏预测上稳定好用的LSTM配置是两层LSTM隐藏维度64加一层Dropout比率0.3最后接一个全连接层输出预测功率。两层LSTM比一层能捕捉更高层的时序模式但超过三层收益递减且训练容易发散。隐藏维度64在中等规模数据上够用如果数据量大几十万样本可以加到128。import torch.nn as nn class PVLSTM(nn.Module): def __init__(self, n_features, hidden_size64, num_layers2, dropout0.3): super().__init__() self.lstm nn.LSTM( input_sizen_features, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropoutdropout ) self.fc nn.Linear(hidden_size, 1) def forward(self, x): # x形状: (batch, seq_len, features) out, _ self.lstm(x) # 取最后一个时间步的输出接全连接层 out self.fc(out[:, -1, :]) return out.squeeze(-1)训练时的关键参数优化器用Adam初始学习率1e-3损失函数用HuberLoss平滑平均绝对误差。HuberLoss在误差小的时候表现像MSE误差大的时候表现像MAE对光伏功率这种偶尔出现极端波动云层突变的序列比纯MSE稳得多。学习率需要配合余弦退火调度器在末尾阶段把学习率降到1e-5避免在最优解附近震荡。import torch.optim as optim model PVLSTM(n_featureslen(feature_cols)) criterion nn.HuberLoss(delta1.0) optimizer optim.Adam(model.parameters(), lr1e-3) scheduler optim.lr_scheduler.CosineAnnealingLR(optimizer, T_max50) for epoch in range(50): model.train() train_loss 0.0 for batch_x, batch_y in train_loader: optimizer.zero_grad() pred model(batch_x) loss criterion(pred, batch_y) loss.backward() # 梯度裁剪防止LSTM训练中梯度爆炸 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm5.0) optimizer.step() train_loss loss.item() * batch_x.size(0) scheduler.step() avg_loss train_loss / len(train_dataset) if (epoch 1) % 10 0: print(fEpoch {epoch 1:02d}, Loss: {avg_loss:.4f})clip_grad_norm_这一行的作用经常被忽略但它在LSTM训练里非常重要。LSTM的反向传播在时间步上链式求导梯度很容易爆炸到NaN加一个max_norm5.0的裁剪让梯度的整体范数不超过5训练稳定性会明显提升——尤其是当你的数据里有极端值比如辐照度瞬间从1000跳到50时这一行能救你很多次。提示如果训练过程中loss不降反升先检查是不是学习率太大导致震荡如果loss一开始就卡在某个值不动优先怀疑输入特征里有没有大量NaN或异常值而不是怀疑模型结构。LSTM对输入尺度的敏感度比树模型高很多特征归一化必须做扎实。4.3 预测结果还原与误差可视化归一化的后悔药训练时为了加速收敛通常要把特征和标签做归一化。但预测出来的功率值必须还原回真实量纲否则没法跟并网数据做对比。这里的规矩是训练前保存归一化参数预测后立即还原不要关掉程序再想起来否则又得重跑一遍。from sklearn.preprocessing import StandardScaler # 训练前保存功率列的scaler power_scaler StandardScaler() power_scaler.fit(y_train.reshape(-1, 1)) # 训练中用缩放的y训练 y_train_scaled power_scaler.transform(y_train.reshape(-1, 1)).flatten() # 预测后还原到真实功率单位kW pred_scaled model(torch.tensor(X_val)).detach().numpy() pred_kw power_scaler.inverse_transform(pred_scaled.reshape(-1, 1)).flatten() true_kw y_val.flatten() # 打印验证集MAE和中午时段的RMSE from sklearn.metrics import mean_absolute_error, mean_squared_error print(fVal MAE: {mean_absolute_error(true_kw, pred_kw):.2f} kW) print(fVal RMSE: {np.sqrt(mean_squared_error(true_kw, pred_kw)):.2f} kW)可视化验证一个典型的阴天转晴天的日子把真实功率和预测功率画在同一张图上观察模型在上升段和下降段是否滞后。LSTM在这种场景下常见的毛病是“预测比实际慢半拍”——输入窗口里的上升趋势还没走完模型倾向于延续当前的上升斜率于是预测偏高。如果发现这个现象可以尝试把输入窗口从6个时刻加到12个时刻相当于回看3小时让模型看到更长历史趋势。5. 避坑指南光伏功率预测项目里值得写进简历的5条实战踩坑记录5.1 辐照度计被遮挡导致午间功率低估特征却显示高辐照现象模型在某个电站上的预测值普遍偏低尤其在中午时段真实功率曲线有明显“削顶”现象但数据集里的辐照度数值却很高。原因现场辐照度计的安装位置不合理被组件边缘或测风杆遮挡午后一段时间处于阴影中导致辐照度数据虚高。模型学到的是“高辐照→高功率”实际功率达不到误差就被系统性放大。解决检查辐照度与功率的散点图如果看到“辐照度大于800W/m²但功率对应的效率明显偏低”的一簇点群优先怀疑辐照度计问题而非模型问题。解决方案是给这组数据打标记训练时降低这些样本的权重或者干脆用同一电站晴朗天的历史辐照度数据做插值修复。这个案例在数据清洗环节处理不要带到特征工程之后。5.2 早晚时段太阳高度角低模型把负功率学成了零功率现象清洗后的数据里夜间功率全部是0模型预测的夜间功率也很接近0看起来没什么问题。但看清晨和傍晚的预测结果功率预测值经常是0而实际已经发了5%-10%的额定功率。原因太阳高度角在±5°附近时辐照度传感器的响应不准确余弦响应误差记录到的辐照度可能很低甚至为0但实际散射辐照度还能让组件发一小部分电。模型看到“辐照度0就输出功率0”这个规律后在低辐照度区间就没脾气了。解决用astral计算的太阳高度角做一个复合判定当太阳高度角大于-3°但小于5°时把实际辐照度和理论晴空辐照度的比值作为独立特征输入而不是只用原始辐照度。这个“比值特征”在低角度时段比原始辐照度可靠得多。顺带说一句这也是为什么我习惯在特征工程里保留sun_elevation这个原始数值而不是只做一个is_night二分类标签。5.3 数据泄露补全缺失值用了未来数据模型验证指标虚高到了0.98现象某同学用pandas的fillna(methodbfill)对缺失功率做反向填充然后做时序切分训练验证集R²高达0.98模型却在新数据上翻车严重。原因bfill用后面的值补前面的缺失在构造训练样本时某个样本的特征里可能混进了未来时刻的真实功率信息。验证集在时间上晚于训练集但训练集的某些特征已经“偷看”了验证集时间范围内的数据指标自然虚高。解决所有填充操作必须限定在时间窗口内部。正确做法是用前向填充ffill()或者用历史同时间的均值填充比如用前一天同一时刻的数值。更稳妥的方式是把填充和窗口切分的顺序反过来——先切分好训练集和验证集再分别对每个集合内部做缺失值处理确保训练集的填充绝不引用验证集的数据。这个顺序问题建议直接写进团队的代码规范里。5.4 多电站合并训练时忘记加电站ID导致模型输出“平均功率”现象把两个装机容量不同的电站数据合并训练一个50MW一个10MW模型预测的功率曲线介于两者之间两个电站单独测试误差都不小。原因模型不知道“当前样本属于哪个电站”它对所有样本学了一个全局映射。装机容量不同导致功率量纲差异巨大均值回归让模型倾向于输出一个“安全”的中间值。解决最小改动方案是把电站ID做标签编码或one-hot编码作为特征输入。更好的方案是在特征里加入“装机容量”这个数值特征相当于给模型一个归一化尺度信息。实际工程项目里如果电站数量多几十个建议每个电站单独建模型或者训练一个全局模型但输出归一化功率再乘回各自装机容量。这个坑在很多公开数据集上都存在README里不一定会写清楚。5.5 预测值出现负功率或超过装机容量后处理没有做物理约束现象LSTM预测结果里有少量负功率值也有个别值超过了装机容量直接画图时功率曲线看着非常不合理。原因模型输出层是线性激活没有加任何物理约束。回归模型在极端输入组合下比如夜间冷空气来临时的异常特征组合可能输出超出合理范围的数值。解决在推理阶段加一道物理后处理钳位这一步虽然技术上很简单但在工程交付上却是必须的否则电网调度那边直接打回你的预测数据def post_process_pred(pred_kw, installed_capacity): 对原始预测值做物理约束处理。 # 下限钳位到0上限钳位到装机容量的1.05倍 pred_clipped np.clip(pred_kw, 0, installed_capacity * 1.05) # 夜间时段太阳高度角小于0功率必须归零 pred_clipped[cleaned_df[sun_elevation] 0] 0 return pred_clipped处理后的曲线在夜间是平稳的0线白天没有超过装机容量的尖峰曲线形态上才有可能让业务方接受。后处理逻辑不复杂但缺了它前面模型训练的所有功夫都会在展示环节减分。6. 从15分钟预测到超短期滚动预测一个值得掌握的工程技巧做完单步预测之后进阶方向是超短期滚动预测——也就是输入过去一段时间的数据预测未来4小时甚至更长时间窗口的功率曲线。这个能力在电力现货交易里直接对应“日内预测”需求也是很多岗位JD里写到的“超短期光伏功率预测”的实际指向。常见的做法是“递归多步预测”用训练好的单步模型先预测t1时刻的功率然后把这个预测值作为输入特征的一部分去预测t2时刻如此迭代下去。但递归预测有个很坑的累积误差问题——早期预测的误差会像雪球一样越滚越大到第8步之后几乎失去参考价值。解决办法通常有两种一是直接训练一个多步输出模型让输出层同时输出未来16个时刻的功率值二是在递归预测时引入“计划值”特征——比如NWP气象数据里本身就包含未来几小时的辐照度预报这些预报值不依赖模型自身输出可以打断误差的累积链条。我用得比较多的是第二种方案具体做法是把未来时刻的天气预报辐照度作为已知特征预测t1时用t1的辐照度预报值预测t2时用t2的辐照度预报值这样功率预测的准确度会显著高于纯递归方式。依赖NWP数据的效应时需要给NWP预报辐照度本身加一个特征“预报时效”——比如提前1小时的预报和提前4小时的预报可信度完全不是一个级别模型需要学会自动降低远期预报的权重。回到工程习惯层面做这类预测项目特征列清单和归一化参数一定要用json或yaml格式持久化保存模型重新训练或换数据的时候参数可以一键恢复。没有这个习惯每次换数据都要重新调半天参数时间就这么浪费掉了。另一个我个人的习惯是每个训练好的模型都保存一份在验证集上的误差报告分时段MAE和RMSE方便后来人对照着评估模型退化情况——如果你部署的预测模型上线后每个月误差浮动超过15%第一件事不是重新训练而是检查数据源和天气特征的输入质量误差漂移很可能来自上游数据的变化。这条路走到这里基本能把“基于机器学习的Python光伏功率预测项目源码及数据集”背后的完整链条摸个通透数据清洗决定上限特征工程决定模型能不能学到物理规律基线与深度学习各有适用场景落地工程化则全靠后处理和滚动预测这些细节。自己做一遍这套方案比搜一百个源码仓库都管用。希望帮到你。本文还有配套的精品资源点击获取
