简介这是一套面向高校学生与初学者的光伏发电功率预测完整实践项目以Python与机器学习技术为核心可用于毕业设计、课程结业作业及专题研究等场景。资源包共20个文件约6.32MB包含8个csv训练与测试数据集、4个py程序脚本、1个ipynb交互式笔记本、1个docx任务说明文档及若干备份与说明文件覆盖数据加载、预处理、模型训练与预测的完整流程。程序代码均附有详细注释便于理解与二次修改用户获取后可通过简易配置实现本地化部署快速构建光伏发电量预测模型。目前已有80人学习下载适合希望掌握机器学习回归建模、时间序列预测及新能源数据分析的读者参考也可作为相关课题的起步模板与排错思路来源。1. 光伏功率预测到底难在哪从“靠天吃饭”到可复现的机器学习流水线光伏发电功率预测这件事很多刚接触的人第一反应是“不就是拿历史功率拟合一条曲线吗”。真上手才发现功率曲线是天气、云量、太阳高度角、组件温度、逆变器效率共同作用的结果晴天和阴天的曲线形态完全不是一回事早晨和傍晚的爬坡段又特别陡。更麻烦的是光伏出力对云层移动极其敏感同一时刻相邻两个电站的功率可能差出一大截。所以基于Python与机器学习的光伏发电功率预测系统实现及数据集核心要解决的不是“训一个模型”而是把数据清洗、特征构造、模型选型、评估口径这一整条流水线搭稳。这套东西适合电站运维、能源调度方向的一线工程师也适合想拿真实时序数据练手的数据同学。下面我按自己踩过坑的顺序把可复现的路径讲清楚。2. 数据准备与特征工程把原始时序变成模型能吃的样本2.1 光伏数据集通常长什么样字段怎么理解公开的光伏功率数据集常见形态是逐分钟或逐15分钟的时序表字段大致分三类。第一类是气象类辐照度GHI、DNI、DHI、环境温度、组件温度、湿度、风速。第二类是电气类直流侧电压电流、交流侧有功功率、无功功率、逆变器效率。第三类是时间类时间戳本身。很多数据集还会带一个“天气类型”标签比如晴、多云、阴、雨这个字段在特征工程里价值很高但要注意它是人工标注还是自动分类口径不一致会污染训练集。我一般拿到数据先做三件事看时间戳是否连续、看功率是否有负值、看辐照度和功率的相关性。如果辐照度和功率的皮尔逊相关系数低于0.7基本可以判断数据质量有问题要么是传感器漂移要么是时间对齐错了。这一步不做后面模型训得再好也是空中楼阁。2.2 缺失值、异常值和夜间数据的处理策略光伏数据最典型的异常是夜间功率不为零。理论上太阳落山后功率应该是0但传感器零漂会让它变成-0.5到0.5之间的噪声。处理方式很简单把辐照度低于某个阈值比如20 W/m²的时间段功率强制置零。缺失值方面短缺口连续少于3个点用线性插值长缺口直接标记为无效样本不要硬填否则会引入虚假的爬坡模式。import pandas as pd import numpy as np # 读取原始数据假设时间列为 timestamp功率列为 power辐照度列为 ghi df pd.read_csv(pv_data.csv, parse_dates[timestamp]) df df.sort_values(timestamp).reset_index(dropTrue) # 夜间功率置零辐照度低于阈值时功率强制为0 df.loc[df[ghi] 20, power] 0 # 短缺口线性插值长缺口标记 df[power] df[power].interpolate(methodlinear, limit3) df[valid] ~df[power].isna() # 构造时间特征 df[hour] df[timestamp].dt.hour df[minute] df[timestamp].dt.minute df[dayofyear] df[timestamp].dt.dayofyear # 太阳高度角近似计算用于后续特征 lat_rad np.radians(35.0) # 假设纬度35度 day_angle 2 * np.pi * (df[dayofyear] - 1) / 365.0 declination 0.409 * np.sin(day_angle - 1.39) hour_angle np.pi * (df[hour] df[minute]/60.0 - 12) / 12.0 sin_elevation np.sin(lat_rad)*np.sin(declination) np.cos(lat_rad)*np.cos(declination)*np.cos(hour_angle) df[solar_elevation] np.degrees(np.arcsin(np.clip(sin_elevation, -1, 1))) print(df[[timestamp, ghi, power, solar_elevation]].head())这段代码的逻辑是先把物理上不可能的数据修正掉再补短缺口最后构造时间与太阳几何特征。参数上limit3对应15分钟采样下的45分钟缺口超过这个长度插值就不可信了。纬度35度只是示例实际要按电站位置改。太阳高度角这个特征比单纯的“小时”更有物理意义因为同一小时在不同季节的太阳位置差别很大。2.3 滑动窗口构造监督学习样本时序预测不能直接把一行数据喂给模型要把历史窗口映射到未来目标。常见做法是用过去N个时刻的特征预测未来M个时刻的功率。N一般取8到16对应2到4小时M取1到4对应15分钟到1小时。窗口太短模型看不到趋势太长会引入过多噪声且增加计算量。def make_windows(data, feature_cols, target_col, lookback8, horizon1): X, y [], [] values data[feature_cols].values targets data[target_col].values for i in range(lookback, len(data) - horizon 1): X.append(values[i-lookback:i].flatten()) y.append(targets[ihorizon-1]) return np.array(X), np.array(y) feature_cols [ghi, temperature, solar_elevation, hour, power] X, y make_windows(df[df[valid]], feature_cols, power, lookback8, horizon1) print(X.shape, y.shape)这里把窗口展平成一维向量是为了配合树模型和线性模型。如果用LSTM或TCN就保留三维结构(样本数, 时间步, 特征数)。注意power本身也作为历史特征放进去了这叫自回归特征对光伏预测很关键因为功率的持续性很强。但要小心数据泄漏构造窗口时不能用未来的功率代码里ihorizon-1保证了目标在窗口之后。3. 模型选型与训练从线性回归到梯度提升树的实战对比3.1 为什么光伏功率预测首选树模型而不是深度学习很多人一上来就想上LSTM觉得时序问题必须用循环网络。实际在中小规模光伏数据集上梯度提升树XGBoost、LightGBM、CatBoost往往比LSTM表现更稳训练更快调参也更直观。原因是光伏功率和辐照度、温度之间是非线性但相对平滑的关系树模型的分裂机制天然适合这种分段非线性。LSTM的优势在于捕捉长程依赖但光伏的日周期已经被时间特征显式编码了剩下的主要是气象到功率的映射树模型足够。当然如果数据集覆盖多个电站、多种气候类型且样本量超过十万条深度学习方案值得一试。我一般先用LightGBM跑一个基线如果误差已经满足调度要求比如RMSE低于装机容量的5%就不折腾深度模型了。3.2 LightGBM基线参数怎么设、特征重要性怎么看import lightgbm as lgb from sklearn.model_selection import TimeSeriesSplit from sklearn.metrics import mean_squared_error, mean_absolute_error # 时间序列切分不能随机打乱 tscv TimeSeriesSplit(n_splits5) for train_idx, val_idx in tscv.split(X): X_train, X_val X[train_idx], X[val_idx] y_train, y_val y[train_idx], y[val_idx] model lgb.LGBMRegressor( n_estimators800, learning_rate0.05, max_depth6, num_leaves31, subsample0.8, colsample_bytree0.8, min_child_samples20, random_state42 ) model.fit(X_train, y_train, eval_set[(X_val, y_val)], eval_metricrmse, callbacks[lgb.early_stopping(50)]) pred model.predict(X_val) rmse mean_squared_error(y_val, pred, squaredFalse) mae mean_absolute_error(y_val, pred) print(fRMSE: {rmse:.2f}, MAE: {mae:.2f}) # 特征重要性 importance model.feature_importances_ print(Feature importance:, importance[:10])参数上n_estimators800配合early_stopping(50)让模型自己决定什么时候停避免过拟合。max_depth6和num_leaves31是控制模型复杂度的核心光伏数据噪声大树太深容易记住噪声。subsample和colsample_bytree都设0.8增加随机性提升泛化。时间序列切分必须用TimeSeriesSplit随机切分会让未来信息泄漏到训练集评估结果虚高这是新手最容易翻车的地方。特征重要性出来以后一般ghi和power的历史值排最前solar_elevation次之温度再次。如果发现某个特征重要性异常高但物理上说不通要回去查数据对齐。3.3 评估指标为什么RMSE不够还要看爬坡段的误差光伏功率预测的误差分布很不均匀。中午平稳段误差小早晨和傍晚爬坡段误差大。如果只看全天RMSE模型可能把爬坡段预测得很差但被平稳段拉低了整体数值。我一般会额外算两个指标爬坡段的MAE功率变化率超过装机容量10%/小时的时段以及按天气类型分组的RMSE。晴天RMSE通常最低阴天和雨天最高如果阴天RMSE是晴天的3倍以上说明模型对云层变化不敏感需要引入云量或卫星辐照度特征。# 按天气类型分组评估 for weather in df[weather_type].unique(): mask df.loc[df[valid], weather_type] weather if mask.sum() 0: rmse_w mean_squared_error(y[mask], model.predict(X[mask]), squaredFalse) print(fWeather: {weather}, RMSE: {rmse_w:.2f})这段代码假设数据里有weather_type字段。如果没有可以用辐照度波动率代替计算过去1小时辐照度的标准差高于阈值的归为“波动天”低于的归为“平稳天”。4. 避坑与排查光伏预测流水线里最容易翻车的五个地方4.1 时间戳时区不统一导致特征错位现象模型训练时RMSE正常但上线后预测值整体偏移几个小时。原因原始数据的时间戳有的是UTC有的是本地时间合并气象数据和功率数据时没对齐。解决统一转成UTC存储只在展示层转本地时间。用pd.to_datetime(..., utcTrue)强制带时区合并前检查两个表的时区是否一致。4.2 用随机切分代替时间序列切分现象交叉验证RMSE很低但测试集误差翻倍。原因随机切分让训练集包含了未来时刻的样本模型“偷看”了未来。解决所有切分必须按时间顺序TimeSeriesSplit或手动按日期划分。这个坑我见过太多次血泪经验就是时序问题永远不要用train_test_split的默认随机模式。4.3 辐照度传感器积灰导致系统性偏低现象模型预测功率持续高于实际功率且偏差在晴天更明显。原因辐照度传感器表面有灰尘或鸟粪读数偏低模型学到的是“低辐照度高功率”的错误映射。解决定期清洗传感器或在数据预处理阶段用相邻电站的辐照度做交叉校验偏差超过15%的时段标记为可疑。4.4 逆变器限电时段未剔除现象中午功率曲线被削平模型学到的“最大功率”低于实际能力。原因电网调度限电时逆变器输出被强制压低这部分数据不代表真实发电能力。解决从运维日志里获取限电时段训练时剔除或标记为无效样本。如果没有日志可以用功率曲线的“平顶”特征自动检测连续多个点功率相同且接近某个上限大概率是限电。4.5 特征里混入了目标泄漏现象模型在验证集上表现极好但实际部署后完全不能用。原因构造特征时不小心用了未来信息比如用全天平均辐照度作为特征或者用未来时刻的温度。解决每构造一个特征问自己“这个值在预测时刻是否已知”。滑动窗口的统计特征只能用窗口内的数据不能用全局统计量。5. 进阶技巧用分位数回归给出预测区间而不是单点值调度部门真正需要的不是“明天中午12点功率是50MW”而是“有80%把握功率在45到55MW之间”。分位数回归能直接输出预测区间比点预测实用得多。LightGBM支持分位数损失只要把objective改成quantilealpha设成目标分位数即可。# 训练三个模型分别对应10%、50%、90%分位数 models {} for alpha in [0.1, 0.5, 0.9]: m lgb.LGBMRegressor( objectivequantile, alphaalpha, n_estimators800, learning_rate0.05, max_depth6, num_leaves31, random_state42 ) m.fit(X_train, y_train) models[alpha] m # 预测区间 lower models[0.1].predict(X_val) median models[0.5].predict(X_val) upper models[0.9].predict(X_val) # 区间覆盖率真实值落在区间内的比例 coverage np.mean((y_val lower) (y_val upper)) print(f80% prediction interval coverage: {coverage:.3f})参数上alpha0.1和alpha0.9给出80%置信区间alpha0.5是中位数预测。覆盖率应该接近0.8如果只有0.6说明区间太窄需要增大n_estimators或放宽min_child_samples。如果覆盖率0.95区间太宽没有实用价值要收紧模型复杂度。一个我常用的验证习惯把预测区间画成带状图叠加真实功率曲线肉眼检查爬坡段区间是否合理变宽。如果爬坡段区间没有变宽说明模型没有捕捉到不确定性随工况变化需要引入波动率特征。这个习惯帮我省了很多后悔药因为单看覆盖率数字会漏掉分布形态的问题。最后说一个我自己的教训早期做光伏预测时我花了两周调LSTM的超参数结果还不如同事用LightGBM加几个物理特征跑出来的基线。后来我养成了一个习惯任何时序预测任务先用树模型加滑动窗口跑一个基线记录RMSE和爬坡段误差再决定要不要上深度模型。这个习惯让我少走了很多弯路。希望帮到你。本文还有配套的精品资源点击获取