# sun_forcast

**Repository Path**: ranmufei/sun_forcast

## Basic Information

- **Project Name**: sun_forcast
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-02-06
- **Last Updated**: 2026-02-06

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 光伏电站功率预测系统

## 项目概述

基于深度学习+物理约束的光伏电站功率预测系统，实现超短期（4小时）、短期（24小时）、中期（72小时）功率预测。

**精度目标**：
- 4小时预测：准确率 ≥ 95%（MAPE ≤ 5%）
- 24小时预测：准确率 ≥ 92%（MAPE ≤ 8%）
- 72小时预测：准确率 ≥ 90%（MAPE ≤ 10%）

---

## 项目结构

```
sun_forcast/
├── data/                          # 数据目录
│   ├── processed/                 # 预处理后的数据
│   └── station_data/              # 原始场站数据
│       └── 115.3910-30.6922/      # 场站数据
│           ├── station_data_utc.csv      # 场站实测数据
│           ├── GFS_forcast_hisory_utc.csv # GFS预报数据
│           └── nc/                # FY-4B卫星数据
├── src/                           # 源代码
│   ├── config.py                  # 配置文件
│   ├── data_preprocessing.py      # 数据预处理
│   ├── physics_model.py           # 物理模型
│   ├── lstm_baseline.py           # LSTM基线模型
│   ├── cnn_satellite.py           # CNN卫星编码器（待开发）
│   └── fusion_model.py            # 融合模型（待开发）
├── models/                        # 保存的模型
├── logs/                          # 日志文件
├── notebooks/                     # Jupyter笔记本
├── train_baseline.py              # 主训练脚本
├── 光伏发电功率预测技术方案.md     # 技术方案文档
├── 数据可行性评估报告_新场站.md    # 数据评估报告
└── README.md                      # 本文件
```

---

## 数据资产

### 场站实测数据
- **时长**: 365天（2024-08-01至2025-08-01）
- **分辨率**: 15分钟
- **记录数**: 35,041条
- **包含要素**:
  - 实测功率 (act_power): 范围 0-97,500 kW
  - 直射辐照 (act_dni): 0-686 W/m²
  - 散射辐照 (act_dhi): 0-644 W/m²
  - 环境温度 (act_temp): -8.4~39.6 °C

### GFS气象预报数据
- **时长**: 365天（与场站数据对齐）
- **分辨率**: 15分钟
- **记录数**: 35,041条
- **包含要素**: 温度、辐照、云量、湿度、气压等

### FY-4B卫星云图数据
- **时长**: 61天（2025-05-01至2025-07-01）
- **文件数**: 5,789个NC文件
- **分辨率**: 15分钟
- **空间对齐**: 完美对齐（场站在窗口中心）

---

## 快速开始

### 环境要求

```bash
# Python 3.8+
pandas>=1.3.0
numpy>=1.21.0
tensorflow>=2.10.0
scikit-learn>=1.0.0
netCDF4>=1.5.0
```

### 安装依赖

```bash
pip install pandas numpy tensorflow scikit-learn netCDF4
```

### 运行训练

```bash
# 运行基线模型训练（物理模型 + LSTM）
python train_baseline.py
```

### 训练流程

训练脚本包含4个阶段：

1. **数据预处理**
   - 时间对齐（UTC）
   - 质量控制
   - 特征工程（太阳位置、晴空指数、倾斜面辐照、滞后特征）

2. **物理模型基线**
   - 基于辐照-温度-功率物理关系
   - 计算理论功率和系统效率
   - 评估基线性能

3. **LSTM基线模型**
   - 输入：历史功率、辐照、温度等时序特征
   - 输出：未来4小时功率预测
   - 训练、验证、测试

4. **模型对比总结**
   - 对比物理模型和LSTM模型
   - 评估目标达成情况

---

## 模型架构

### 当前实现（基线模型）

#### 1. 物理模型
```
输入：GHI, 温度
  ↓
计算理论功率：P_theo = P_rated × (GHI/GHI_STC) × (1 + α×(T_cell-T_STC))
  ↓
应用系统效率：P_pred = P_theo × η
  ↓
输出：预测功率
```

#### 2. LSTM时序模型
```
输入：[历史功率, 辐照, 温度, 时间特征, 滞后特征]
  shape: (batch, 24, n_features)
  ↓
LSTM层(128单元)
  ↓
Dropout(0.2)
  ↓
LSTM层(64单元)
  ↓
Dense输出层(16步)
  ↓
输出：未来4小时功率预测
```

### 待实现（融合模型）

#### 3. CNN卫星编码器
```
输入：卫星云图序列
  shape: (batch, T, H, W, C)
  ↓
3D-CNN / 2D-CNN + 时间池化
  ↓
卫星特征向量
  ↓
输出：云系时空特征
```

#### 4. 多源融合模型
```
┌─────────────┬──────────────┬─────────────┐
│ 卫星分支    │  时序分支     │  静态分支   │
│ (CNN)       │  (LSTM/TFT)  │  (MLP)      │
└──────┬──────┴──────┬───────┴──────┬──────┘
       │             │              │
       └─────────────┼──────────────┘
                     ↓
               融合层(Attention)
                     ↓
           ┌──────────┼──────────┐
           │          │          │
        4h输出      24h输出     72h输出
```

---

## 特征工程

### 基础特征
- **辐照特征**: GHI, DNI, DHI, POA辐照
- **温度特征**: 环境温度
- **时间特征**: 小时、月份、日序（sin/cos编码）

### 衍生特征
- **太阳位置**: 天顶角、方位角
- **晴空指数**: Kt = GHI / GHI_clear
- **倾斜面辐照**: 基于组件倾斜角计算
- **系统效率**: η = P_actual / P_theoretical

### 时序特征
- **滞后特征**: 15min, 1h, 4h前的功率、辐照、温度
- **滚动统计**: 1小时滑动均值
- **变化率**: 相邻时刻差分

---

## 评估指标

### 主要指标
- **准确率**: 1 - MAPE_normalized
  - MAPE_normalized = mean(|P_pred - P_actual| / P_rated) × 100%

### 辅助指标
- **MAE**: 平均绝对误差 (kW)
- **RMSE**: 均方根误差 (kW)
- **R²**: 决定系数
- **MAPE**: 平均绝对百分比误差

### 评估策略
- **昼夜分别评估**: 避免夜间低功率掩盖日间误差
- **分时段评估**: 峰值时段（10:00-15:00）
- **分天气型评估**: 晴天、多云、阴天、雨天

---

## 使用示例

### 1. 数据预处理

```python
from src.data_preprocessing import SolarDataPreprocessor

preprocessor = SolarDataPreprocessor()
df = preprocessor.run_preprocessing()
preprocessor.save_processed_data("processed_data.csv")
```

### 2. 物理模型预测

```python
from src.physics_model import SolarPhysicsModel

model = SolarPhysicsModel()
p_theo = model.calculate_theoretical_power(
    ghi=df['ghi_calc'].values,
    temp_ambient=df['act_temp'].values
)
```

### 3. LSTM模型训练

```python
from src.lstm_baseline import LSTMPowerPredictor, create_feature_columns

predictor = LSTMPowerPredictor(
    history_steps=24,   # 6小时历史
    forecast_steps=16   # 4小时预测
)

feature_cols = create_feature_columns()
X, y = predictor.prepare_sequences(df, feature_cols)
X_train, X_val, X_test, y_train, y_val, y_test = predictor.split_data(X, y)

predictor.build_model(input_shape=(X_train.shape[1], X_train.shape[2]))
predictor.train(X_train, y_train, X_val, y_val)

metrics = predictor.evaluate(X_test, y_test)
```

---

## 项目进度

### ✅ 已完成
- [x] 数据预处理模块
- [x] 物理模型实现
- [x] LSTM基线模型
- [x] 主训练脚本
- [x] 项目文档

### 🚧 进行中
- [ ] 模型训练与评估
- [ ] 精度优化

### 📋 待开发
- [ ] CNN卫星云图特征提取
- [ ] 多源融合模型（CNN+LSTM）
- [ ] 多任务学习（4h/24h/72h）
- [ ] GFS偏差订正模型
- [ ] 在线学习框架
- [ ] 模型部署服务

---

## 技术方案文档

详细技术方案请参考：
- [光伏发电功率预测技术方案.md](光伏发电功率预测技术方案.md)
- [数据可行性评估报告_新场站.md](数据可行性评估报告_新场站.md)

---

## 场站信息

- **位置**: 30.6922°N, 115.3910°E
- **装机容量**: ≈68 MW
- **组件倾斜角**: 30.7°（≈纬度）
- **组件方位角**: 0°（正南）
- **温度系数**: -0.0045 /°C（晶体硅）

---

## 预期成果

基于现有数据质量评估：

| 预测时长 | 目标精度 | 预期可达 | 可行性 |
|---------|---------|---------|--------|
| **4小时** | ≥95% | 95-97% | ✅ 高度可行 |
| **24小时** | ≥92% | 92-94% | ✅ 可行 |
| **72小时** | ≥90% | 90-92% | ✅ 可行 |

---

## 联系方式

项目维护：[您的名字]
创建日期：2026年2月6日
版本：v1.0

---

## 许可证

[待定]

---

## 致谢

本方案基于以下技术：
- TensorFlow/Keras深度学习框架
- FY-4B气象卫星数据
- GFS全球预报系统数据
- 场站实测SCADA数据