光伏功率预测中的历史功率与气象协变量建模

问题定义

给定历史 N 天的发电功率记录和未来 M 小时的气象预报，预测未来 M 小时的发电功率。

数据来源

• 历史功率：逆变器 15 分钟级采集数据
• 气象预报：NWP 模式输出（温度、辐照度、风速、湿度、云量）
• 地理信息：经纬度、倾角、方位角

特征工程

# 时间特征
df['hour_sin'] = np.sin(2 * np.pi * df['hour'] / 24)
df['hour_cos'] = np.cos(2 * np.pi * df['hour'] / 24)

# 滞后特征
for lag in [1, 3, 6, 12, 24]:
    df[f'power_lag_{lag}h'] = df['power'].shift(lag)

时间特征和滞后特征对短期预测（24 小时内）贡献最大，而气象协变量在中期预测（48-72 小时）中更为重要。

实验结果

XGBoost 基准模型在仅使用历史功率时 MAE 为 3.5kW，加入气象协变量后降至 2.8kW，再加入时间特征后降至 2.3kW。多源数据融合是提升预测精度的关键。