分布式光伏出力预测：气象因子处理与模型选择全解析

简介：这是一份聚焦光伏功率预测研究者的MATLAB完整实现资源，以计及气象因子的分布式光伏出力预测为对象，完整包含EMD经验模态分解、PCA主成分分析与LSTM长短期记忆网络组合模型的算法脚本及配套数据。压缩包共8个文件，以4个m脚本、3个mat数据文件为主，m脚本覆盖环境因素分解、特征提取、预测建模与指标评估等环节，mat文件提供风速、温度、功率等5分钟级实测序列，另含1个zip扩展包。资源整体仅116KB，轻量便于快速运行；已有209人学习下载。基于山西省某电站8个月实测数据验证，该模型较传统预测方法具有更高精度，读者可直接运行脚本复现论文级实验，也可替换数据开展气象因子筛选、分布式光伏出力预测等进一步研究，适合新能源发电、电力系统调度及机器学习应用方向的本科生、研究生和工程师使用。

1. 分布式光伏出力预测：气象因子不是“参考”，是模型的命门

把“分布式光伏发电计及气象因子及出力预测方法研究.zip”这个压缩包打开之前，先看清楚它背后的真实任务：不是装个逆变器、接个电表，然后对着历史功率曲线做回归。分布式光伏的出力预测，本质上是一个强气象依赖的时间序列回归问题。和集中式光伏电站不同，分布式项目往往只有一个辐照度探头甚至没有探头，数据质量参差不齐，气象因子在模型里不是锦上添花的辅助特征，而是决定预测误差上限的命门。

做这类研究或者说做这类落地项目，最反直觉的一点是：模型结构对最终MAPE的影响，可能远小于你对气象因子做过多少预处理。同一个LightGBM，有人能做到晴天MAPE小于8%，有人做出来20%还多，差别不在调参，在特征构建和数据清洗。这篇文章把从气象数据接入、因子筛选、模型选型到评估避坑的完整路径拆开讲，适合正在做光伏功率预测、微电网能量管理或者电力交易申报的从业者参考。

2. 气象因子与出力数据的对齐：预测精度的一半在数据构建阶段就定了

2.1 时间分辨率与窗口宽度的选择逻辑

分布式光伏出力预测的第一步不是选模型，而是确定时间分辨率和预测提前期。常见做法是超短期预测提前15分钟到4小时，分辨率15分钟；短期预测提前一天到三天，分辨率1小时或15分钟。两个场景用的气象数据源完全不同：超短期主要依赖地基云图、辐照度实测外推和数值天气预报（NWP）的快速刷新模式，短期预测则依赖NWP的常规输出。

我一般建议做预测研究的工程团队先锁死一个原则：预测分辨率必须低于或等于气象数据的原始时间分辨率，不要对气象数据做高频插值去匹配高频功率数据。原因在插值会制造虚假的高频信息，模型会学到根本不存在的因果关系。分布式光伏的出力曲线在云层快速移动时本来就带大量毛刺，再把15分钟的气象数据插值成5分钟一组，等于给模型灌噪声。

在数据对齐阶段，处理框架按以下步骤走：先把气象观测数据和功率数据统一到同一时区（分布式电站常犯的错是用北京时间对当地时间甚至UTC时间的数据），再按时间戳外连接，之后做缺失值标记而不是直接删除。代码示例：

import pandas as pd import numpy as np # weather_df: 气象站数据，包含温度/辐照度/湿度/风速，索引为时间戳 # power_df: 逆变器或并网点的有功功率序列，15min分辨率 # 统一时区并重采样到15min weather_df.index = pd.to_datetime(weather_df.index).tz_localize(None) power_df.index = pd.to_datetime(power_df.index).tz_localize(None) # 对齐：以功率序列为基准，气象数据按前向填充到对应时间点 merged = pd.concat([power_df, weather_df], axis=1, join='outer').sort_index() merged = merged.interpolate(method='time', limit=6) # 超过90分钟的缺失不补 # 标记真实值和插补值，后续建模通过权重或样本过滤区分 merged['data_quality'] = merged['power'].notna().astype(int)

逻辑说明：interpolate(method='time')是按时间间隔线性插值，limit=6是限制连续插补不超过6个点（对应90分钟），超过这个阈值的缺口直接保留NaN，后续被过滤掉。data_quality这一列是建模时区分真实样本和插补样本的依据——常见做法是训练时不使用插补超过2个连续点的样本，避免模型学到插值的形态而不是物理规律。

2.2 辐照度的“三重奏”拆分：GHI、DNI、DHI不能只用一个

很多刚接触光伏预测的人只取一个总辐照度（GHI）就开始了。这是第一个会埋雷的选择。分布式光伏预测研究中，辐照度至少要拆成水平面总辐照度（GHI）、法向直接辐照度（DNI）和水平面散射辐照度（DHI）。云层遮挡对三个分量的影响完全不同：薄云对DNI的衰减远大于对DHI的提升，厚云则三个分量同步剧烈变化。只用GHI，等于把这些信息全部揉成一团，模型无法区分“多云但散射强”和“晴朗但空气浑浊”这两种出力特征完全不同的天气。

从气象数据源来看，分布式电站周边不一定有高质量气象站，一般取NASA MERRA-2再分析数据或欧洲中期天气预报中心的ERA5数据做历史训练集。做研究时可以用再分析数据，工程落地时我建议连一套本地微型气象站，带总辐射表、温湿度探头和风速仪，成本在几千块量级，但数据质量对预测精度的影响是数量级的差异。

特征构建参考以下组合：

# 从原始气象表整合出建模用特征集 features = pd.DataFrame(index=merged.index) features['ghi'] = merged['ghi'] features['dni'] = merged['dni'] features['dhi'] = merged['dhi'] # 散射比：多云/阴天时接近1，晴天时0.1~0.3 features['scatter_ratio'] = merged['dhi'] / (merged['ghi'] + 1e-6) # 晴朗指数：实际GHI与大气层外理论辐照度的比值 # 理论值用太阳常数1367 W/m² + 太阳高度角计算 # 这个特征对识别云层遮挡极其重要 features['clearness_index'] = merged['ghi'] / (1367 * np.sin(solar_elevation_angle)) # 温度对组件效率的修正：背板温度或环境温度 features['temp_effect'] = 1 - 0.004 * np.maximum(merged['ambient_temp'] - 25, 0)

scatter_ratio和clearness_index是这两个特征，在分布式光伏出力预测中价值极高。clearness_index把辐射量归一化到大气层外，消除了季节和纬度差异，等于给模型一个“今天大气透明度”的全局标尺。scatter_ratio则直接刻画了云层状态。这两个衍生特征比原始辐照度更能表达物理机制，在后面的特征重要性分析里通常排前五。

2.3 温度与风速的隐藏作用：组件效率的修正项

做光伏预测研究的人常忽略温度，这是第二个雷。光伏组件的输出功率与温度呈负相关，晶硅组件温度每升高1摄氏度，效率大约下降0.4%到0.5%。这看起来不多，但夏天组件表面温度能到60到70摄氏度，相比标准测试条件（25摄氏度）效率掉了15%以上。如果用环境温度替代组件背板温度，需要加一个经验偏移量。

风速在这里扮演的是“冷却器”角色，风速大的时候组件温度上升慢，效率相对高。真实场景里，风速数据来自气象站，和组件实际安装高度的风速有偏差，所以我不建议直接用原始风速做特征，而是构造“有效风速”或只保留风向与组件朝向的交互特征。一个实用经验：把风速和气温的交互项放进模型，比单独放两个原始特征要好。

features['wind_temp_interaction'] = merged['wind_speed'] * (25 - merged['ambient_temp'])

这个特征表示风速对组件降温的边际效果，气温高于25度时风速大能降温是利好，气温低于25度时风速大反而让组件更冷偏离最大功率点。模型能学出这个交互，天气炎热时的午后预测误差能明显收敛。这些都是“计及气象因子”里最容易被低估的部分。

3. 预测模型怎么选：传统机器学习与深度时序模型的分界线

3.1 最小可复现方案：LightGBM + 滞后气象特征

分布式光伏出力预测的建模路线，我建议从树模型起步而不是直接上LSTM或者Transformer。原因很朴素：气象因子和光伏出力之间的关系在分钟到小时尺度上，本质是“非线性静态映射 + 时间动态残留”。树模型对非线性映射的拟合能力足够强，训练快，可解释性又好，能让你快速看清哪些气象因子真正有用。时间动态的残差再交给额外的模型或者特征去处理。

最小可复现方案的建模代码：

import lightgbm as lgb from sklearn.model_selection import TimeSeriesSplit # 构建滞后特征：过去2小时的气象和出力，预测未来1小时 def make_lag_features(df, lags=[1, 2, 4, 8]): df = df.copy() for lag in lags: df[f'ghi_lag_{lag}'] = df['ghi'].shift(lag * 4) # 15min分辨率 df[f'power_lag_{lag}'] = df['power'].shift(lag * 4) return df # 时间序列交叉验证，不用KFold防数据泄漏 tscv = TimeSeriesSplit(n_splits=5, gap=96) # gap=一天，切断相邻样本依赖 params = { 'objective': 'regression', 'metric': 'mae', 'learning_rate': 0.03, 'num_leaves': 63, 'max_depth': -1, 'min_child_samples': 20, 'feature_fraction': 0.8, 'bagging_fraction': 0.8, 'bagging_freq': 1, 'verbosity': -1, }

TimeSeriesSplit配gap=96的意思是训练集和验证集之间留出96个点（一天）的间隔，防止相邻时间点的自相关性造成假高分。这是时序预测建模中最关键的一个细节，换成普通KFold会让验证指标虚高至少20%。feature_fraction和bagging_fraction设为0.8是为了增加鲁棒性，分布式电站的气象数据噪声大，完全随机森林式的子采样比贪心的全特征分裂更稳。

用LightGBM做光伏预测还有一个明显的好处：可以直接输出特征重要性，用于反向验证气象因子是否合理。常见做法是训练完成后查看feature_importance，如果wind_direction排到前两名，说明数据或目标有泄漏，需要停下来查而不是继续调参。

3.2 深度模型改进：CEEMDAN分解与TCN的配合

树模型做基线够了，但要冲更好的精度，特别是短时间尺度上的云团剧烈波动，就需要引入深度时序模型。这里我不推荐直接上LSTM，传统LSTM对光伏出力这种强非平稳序列的拟合效率不高，收敛慢且容易过拟合。近两年工程上更实用的组合是把序列分解和时序卷积配合用。

完整经验模态分解（CEEMDAN）把功率序列拆成本征模态函数IMF分量和残差。光伏出力序列的本质是：趋势项（日出日落）、天气尺度波动（云团）和仪表噪声三者的叠加。分解之后，对趋势项和主要IMF分量分别建模预测，最后叠加还原。这样做的好处是让模型不用在同一个结构里同时抓住日周期形状和云团毛刺，难度显著降低。

# 仅示意CEEMDAN分解流程，实际使用需安装emd包或调用PyEMD from PyEMD import CEEMDAN import numpy as np ceemdan = CEEMDAN(trials=50, noise_width=0.05) imfs = ceemdan(series.values.astype(float), t=np.arange(len(series))) # 常见处理：前两个IMF高频部分用TCN，残差趋势用线性/多项式拟合 # 分界选择依据: 过零率或与原始序列的相关系数突降点 imf_high = imfs[:2, :].sum(axis=0) # 高频：云团快速波动 imf_trend = imfs[2:, :].sum(axis=0) # 中低频：日形状与天气慢变

高分解后各个IMF分量独立建模，再求和还原。这就是“加法模型”的路子，避免一个模型同时拟合高频噪声和低频趋势而互相干扰。

这一节给的是思路。完整落地时，TCN的作用是通过因果卷积捕捉IMF分量内部的局部时域依赖。TCN的感受野通过膨胀因子控制，光伏出力预测一般用注意力窗口在1到2小时就够，不需要像气象预报那样长。如果要用TCN，注意膨胀因子序列一般是[1,2,4,8,16]，感受野计算公式为(kernel_size - 1) * (2^L - 1) + 1，其中L是层数，五层膨胀卷积配合7的卷积核，感受野大约覆盖4小时，超过这个长度对光伏预测没有太多增益，反而增加过拟合风险。

3.3 分时段建模与天气类型聚类

一个容易被人忽略但实践中能提升3到5个百分点精度的做法：不要用一个模型吃遍所有天气。把历史样本按天气状态聚类，晴天、多云、阴雨三类分别建模，推理时先判断未来气象特征属于哪一类，再选择对应模型。

天气状态聚类不需要复杂的深度学习，用DBSCAN对[clearness_index, scatter_ratio, humidity, cloud_cover]做密度聚类就能稳定分出4到5个状态。类别的物理含义可以直接映射到天气现象。

from sklearn.cluster import DBSCAN from sklearn.preprocessing import StandardScaler cluster_input = features[['clearness_index', 'scatter_ratio', 'humidity', 'cloud_cover']].dropna() cluster_input = StandardScaler().fit_transform(cluster_input) dbscan = DBSCAN(eps=0.6, min_samples=50).fit(cluster_input) # 聚类结果与天气现象核对： # 类别0：高clearness_index + 低scatter_ratio -> 晴天 # 类别1：中等clearness_index + 高scatter_ratio -> 多云 # 类别2：低clearness_index + 高湿度 -> 阴雨

这个步骤做完，每个类别的样本单独训练一个LightGBM或TCN模型。推理阶段，先看未来气象预报数据落在哪个簇，再调对应模型。分时段建模的好处是晴天模型的决策边界不会被阴雨天样本拉扯，针对晴天的午后出力过冲拟合得更准。代价是要维护多个模型，工程上一般控制在4个以内，超过4个边际收益就下降。

4. 评估一个预测模型：别用单一MAE骗自己

4.1 按天气类型分组的误差报告制度

做分布式光伏出力预测研究，最常见的翻车就是把所有天的预测误差平均一下，得到一个“看上去还行”的MAPE，然后开始写报告。真实工程里这种平均误差没有任何决策价值。电网调度或者电力交易关心的是极端场景下你的预测能偏多远，不是平均偏多远。

我建议的评估方式：强制按天气类型拆分误差报告。晴天单独算，多云单独算，阴雨天单独算。理想指标如下：

这个表格是假想数据，格式才是有价值的。如果你看到自己的模型晴天的P90误差是5%以下，但多云天气的MAPE超过15%，说明云团处理是短板，要在云图数据或高频辐照度特征上补功夫，而不是继续调LightGBM参数。有了分组误差报告，每一次模型迭代的改进方向都会清晰得多。

4.2 时序不可分性：为什么RMSE比MAE更严格

在线预测场景里，一次大的预测偏差可能引发调度策略连锁反应，这时候RMSE比MAE更值得参考。RMSE对大误差的惩罚是平方级的，一个把100kW错报成20kW的样本，在RMSE里产生的损失等于25个误差在10kW以内的样本之和。分布式光伏项目并网容量虽然小，但聚合起来对配电网电压的影响不可忽略。

调参时观察到一个具体现象：同一组参数，MAE下降但RMSE上升了一半以上要看是不是模型开始为了“平均表现好”而牺牲大误差样本，典型特征是误差分布的双尾变厚。处理方案：在损失函数里引入P95分位数回归，或者按误差分位数加权重训练。

# LightGBM自定义加权损失：误差越大的样本权重越高 def weighted_mae_loss(preds, train_data): labels = train_data.get_label() weight = 1.0 + 2.0 * (np.abs(labels - preds) / (np.max(labels) + 1e-6)) grad = -weight * np.sign(labels - preds) hess = np.ones_like(labels) * 2.0 return grad, hess

这个自定义损失的本质是给误差大的样本更多梯度，强迫模型在复杂天气下也保持一定精度。实际使用时注意别把权重加大太多，会把模型训练成专门追极值、普通天反倒拟合变差的局面。权重系数从1.0起步，每次增加0.2观察验证集RMSE的变化。

4.3 基线模型必须有：持久性模型与理想天气预报的上界

评估任何预测模型前，先跑两个简单基线：持久性模型（把当前功率作为未来预测值）和理想天气模型（用实际气象观测值替换预报值输入模型）。第一个可以看出模型是否比“什么都不预测”做得更好，第二个可以估算出“如果气象预报完美，能提升多少精度”。

这两个基线的差值有一个重要含义：气象预报误差在整个链路中的占比。如果理想天气模型比NWP驱动模型高5个百分点的精度，说明模块瓶颈在气象预报，不在预测算法；这时候投入精力改进模型结构的收益有限，应该去换更高分辨率的气象数据源或接入实时云图。这个判断在研究阶段的路径规划里非常有用。

5. 落地避坑指南：气象数据不干净的五个常见事故

5.1 辐照度探头积灰：晴天里突然冒出来的负误差

现象是连续晴好天里模型预测精度突然恶化，预测值系统性低于实际值30%左右，再过几天恢复正常。原因是辐照度探头表面积灰或鸟粪遮挡，导致测量值偏低，模型学到“低辐照度→低出力”的规律，实际组件没有积灰，出力照常。解决途径有两种：一是在数据管道里加一个滚动校验，把辐照度实测值与同区域再分析数据进行相关性检查，相关系数跌破阈值就标记探头异常；二是物理层定期清洁探头。数据层面的检验代码比较实用：

# 用MERRA-2或ERA5的GHI与实测GHI做7天滚动相关 daily_corr = merged['ghi_obs'].rolling('7D').corr(merged['ghi_reanalysis']) # 相关系数<0.85时标记探头异常，不参与建模 merged['sensor_fault'] = daily_corr < 0.85

探头积灰是“数据质量管理系统”要处理的问题，不是模型能自己纠正的。实际工程中，这个坑出现频率很高，特别是靠近道路或工地的电站。

5.2 缺测时间段的插值污染

现象是训练集里某些时段的气象数据连续缺测，用线性插值补齐之后，模型在这些时段产生周期性尖峰误差。原因是插值在跳过真实的气象过程转变，比如雨停之后辐照度是断崖式上升的，线性插值会把这段变化拉平。模型学到的是“平缓过渡”，实际场景又是跳变，误差自然大。

正确做法是缺测超过90分钟的数据不进入训练集，而不是盲目做插值补全。缺失比例高时（超过样本量的10%）应考虑更换数据源或引入卫星反演辐照度做替代。数据质量永远好过数据修补，“缺了就补”是研究阶段的典型做法，在工程阶段经常是烂尾的根源。

5.3 时序泄漏：归一化必须嵌入交叉验证

在使用树模型时不太在意的归一化，在深度模型里变成了翻车高发区。光伏出力数据有明显的季节性，归一化时用了全年的均值和方差，在分时段验证时等于让模型看到了未来的统计信息。这个泄漏在短序列上可能不明显，在按季度评估的时候会被掩盖。

解决做法是把归一化参数限定在训练集上计算，验证集和测试集用训练集的参数做变换。

from sklearn.preprocessing import StandardScaler scaler = StandardScaler() # 关键：只能用训练部分.fit，不能用全量 train_scaled = scaler.fit_transform(X_train) valid_scaled = scaler.transform(X_valid)

StandardScaler一旦用fit_transform处理全量数据，验证集的信息直接进入了均值和方差，这就是标准的“未来数据泄漏”。做深度学习模型时务必把scaler的保存和加载做成独立模块，部署阶段同样用训练好的scaler参数做实时归一化。

5.4 预测值负功率截断

分布式光伏夜间出力为0，但模型在低辐照度时容易预测出小幅负功率，原因是训练损失函数鼓励完全回归，没有强制非负约束。尤其是阴雨天且接近傍晚时段，负值预测频繁出现。负功率在并网场景中是不可接受的物理量。

解决方案有两个层级：一是后处理截断，预测值小于0时直接置0，这个方法简单有效但不能解决根本偏差。二是在训练时对数变换目标值或对目标加非负约束。实际工程中两者都要，推荐预处理用幂变换（Box-Cox）压缩目标值，后处理做截断：

from scipy.stats import boxcox # 目标值加1后做Box-Cox变换，解决正偏态和负预测问题 transformed_target, lambda_val = boxcox(merged['power'].clip(lower=0) + 1.0)

使用Box-Cox变换的最大技巧是训练与预测必须用同一个lambda_val，否则预测值无法逆变换回物理量纲。变换之后模型的误差分布更接近正态，预测负功率的概率显著下降。

5.5 提前期对气象预报数据的处理不当

模型训练时用的是历史实测气象数据，部署推理时输入的是气象预报数据，两者分布完全不同（预报数据平均更平滑，没有实测数据的尖峰）。这是分布式光伏预测研究中最隐蔽的翻车现场。如果不做处理，训练时指标好到可以发论文，部署上线当天准确率大幅跳水。

推荐做法是在训练集中注入带噪声的气象数据，噪声幅度参考气象预报的实际误差特性。比如辐照度预报的误差是均值为0、标准差为20%到30%的正态扰动，训练时对气象特征加入这个噪声，让模型提前适应预报数据的不确定性。这种“噪声正则化”的方法比在推理时加修正项更稳健。

6. 方向价值与进阶：用可解释性分析反哺电站运维

当一个预测模型的性能稳定下来之后，最有价值的下一步不是继续刷精度，而是利用模型权重或特征重要性去反哺运维。用LightGBM做完训练后，对特征重要性做归因分析，经常能发现一些运维层面的异常。比如某段时间“温度交互项”的重要性异常升高，排查后发现是组件灰尘遮挡导致温升异常，清洗组件后特征重要性回落，预测精度提前恢复，这个案例说明预测模型在分布式光伏场景里不只是调度工具，也是组串级健康诊断的延伸。

具体验证模型是否值得投入，推荐一个成本公式：预测精度每提升1%，对电站收益的影响是多少。对参与电力市场交易的分布式光伏，预测精度直接决定偏差考核费用；对离网微电网，预测精度影响储能充放电策略的保守程度。把这笔账算清楚，比任何技术指标都更有说服力。

一个可靠的落地路径：先用两到三周时间完成历史数据清洗和LightGBM基线，迭代到精度稳定；再用一个月做云图接入或更高分辨率NWP引入，关注误差是否显著下降；最后根据剩余误差的结构判断是否值得引入深度时序模型。三个阶段的边际收益清晰可见，投入产出比最高。

这套方法延续到组件级监测时，同一个预测框架可以按组串拆分数据重新训练，识别出效率衰减异常，我并到逆变器数据一起排查，效果相当不错。预测模型的输出做预测误差概率分布，结合气象预报更新频次做滚动修正，就能逐步逼近实际并网要求。架构上把数据漂移检测放在预测模块前端，才能在长期运行中保住精度。

用第一人称说一句技术教训：做分布式光伏预测，气象因子清洗花的时间至少是建模时间的双倍，这个经验是用几次上线翻车换来的。气象因子干净了，模型哪怕朴素一些，精度都能兜住下限；气象因子脏，再精巧的模型也只是在噪声上过拟合。先尊重气象数据的真实质量，再讨论模型创新，希望帮到你。

本文还有配套的精品资源，点击获取