基于机器学习与深度学习的光伏发电功率预测

用气象传感器数据预测未来 1 小时光伏发电功率：时序特征工程 + 七模型双轨对比（Ridge/XGBoost/LightGBM 对阵 LSTM/GRU/Transformer/CNN-LSTM）+ TOPSIS 选模 + SHAP 可解释性，一条完整的新能源功率预测流水线——代码、文档、配图全配齐。

• 任务类型时序与信号
• 专业方向能源 · 电气/自动化 · 计算机 · 数据科学

数据与任务

如果你想找一个既贴着「双碳 / 新能源」热点、又能在面试和答辩里讲明白的 AI 项目，这个「光伏发电功率预测」很合适。

它的方向很有看点——新能源 + 机器学习 + 深度学习时序模型，落点也实在：电网调度最头疼的就是光伏出力忽高忽低，能提前一小时预报功率，对消纳、储能、调峰都有直接价值。配套也都给你备齐了，帮你真正搞懂它、在面试和答辩里讲清楚：带中文注释、能读懂的代码，一份从背景一直讲到 SHAP 解释的技术文档，把面试可能被追问的点连参考答案都写好的项目讲解资料，还有一整套能直接做 PPT 的配图。

先说清楚，它到底在做什么

光伏发电完全看天吃饭：太阳一出力就上来、云一遮就掉下去，出力曲线随辐照度剧烈起伏。电网要平衡供需，就得提前知道下一个小时这座电站大概能发多少电——这就是「光伏功率预测」，是新能源并网调度里最核心的一环。难点在于，功率不只跟当下的辐照度、温度有关，还有很强的时间依赖：此刻的出力跟前几个小时高度相关；同时要把这种时序规律变成模型能用的特征，还得严防"拿未来信息预测未来"的数据泄漏。

这个项目从 2 座光伏电站的逆变器级发电数据加电站级气象传感器数据出发，搭了一条完整的时序预测流水线：先做数据探索，摸清辐照度与功率的非线性关系、以及发电的日周期特性，再用辐照度交互、太阳高度角、时间周期编码、功率滞后与滚动统计把原始数据扩成 31 维时序特征，然后让机器学习和深度学习两条路线的七种模型同台竞技，用 TOPSIS 客观选出综合最优模型，最后用 SHAP 把"哪些因素最影响发电功率"讲清楚。

搞懂它，你能在面试里讲清楚什么

把下面几件事吃透，面试官顺着问下来你都能接得住。

时序特征怎么构建，又怎么防数据泄漏。 这是整个项目的地基，也是时序题最容易被追问的点。你要能讲清楚：预测 t+4（1 小时后）的功率，所有特征只能用到 t 时刻及之前的信息，所以功率滞后特征至少要错开 4 步、滚动统计也要先 shift 再算。再配上太阳高度角的天文估算、时间的 sin/cos 周期编码、辐照度交互项，把一张普通的气象表扩成信息量足够的 31 维时序表示——既有光伏的物理先验，又有历史功率的动态信息。

为什么机器学习和深度学习两条路线一起上。 项目同时对比了 Ridge/XGBoost/LightGBM 三种机器学习模型，和 LSTM/GRU/Transformer/CNN-LSTM 四种深度学习时序模型。你能借此讲清楚两条路线的根本差别：树模型吃的是一张展平的特征表，深度学习吃的是滑动窗口切出来的序列；并能说明循环网络与注意力机制如何捕捉光伏出力的时序依赖，以及为什么最终要靠 TOPSIS 把拟合优度、误差、训练耗时这些此消彼长的指标客观地综合到一起来选模，而不是只盯着一个 R²。

SHAP 怎么把模型讲成"看得懂的影响因素"。 SHAP 能排出哪些特征最推动功率预测，让黑盒变透明——太阳高度角、时间编码、辐照度、历史功率这些因素的作用一目了然，跟光伏发电的物理常识完全对得上。你能借此讲清楚模型不是瞎拟合，而是学到了合理的规律。

下面这组分析图也都给你做好了，可以直接放进答辩或面试 PPT：

更关键的是，每张图怎么跑出来的、该怎么解读，技术文档里都讲清楚了——你能说明白每张图到底说明了什么。

面试官会问的，都帮你备好了

随便感受几个这个项目真实会被追问的问题：

• 预测 1 小时后的功率，怎么保证特征里没有混进未来信息（数据泄漏）？滞后和滚动统计为什么都要先 shift？
• 树模型和 LSTM/GRU 吃的输入有什么本质区别？序列样本是怎么从扁平特征里切出来的？
• 为什么用 TOPSIS+熵权法选模，而不是直接挑 R² 最高的那个？

看到会愣一下？正常。配套的项目讲解资料把这个项目——从整体思路到每个流程细节、各种可能被追问的点——连参考答案都给你写好了。另外还有现成的简历描述，照着改就能写进简历；那套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。

配套资料：搞懂一个项目需要的，这里全都有

先看那份技术文档——从项目背景、数据探索、时序特征工程，一直讲到七模型对比、TOPSIS 选模与 SHAP 解释，图文并茂、推导清楚：

代码也给你了——关键部分都带着中文注释，帮你读懂"它到底是怎么实现的"：

技术文档、项目讲解资料、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。

适合谁

不管你是赶毕设、想给简历添个有分量的项目，还是在准备面试，这个题目都接得住。专业上，新能源、电气工程、电力系统、智慧电网、能源管理，以及计算机与数据科学方向都很合适。光伏功率预测是新能源并网调度里的刚需任务，把这条从时序特征工程到模型对比、再到可解释性的完整流水线真正搞懂、能讲出来，就是一个既踩中行业热点、又撑得起面试的项目。