简介面向毕业设计、期末大作业及课程设计的光伏功率预测项目包基于Python与机器学习实现提供了可直接运行的源码、训练数据与测试数据覆盖数据预处理、特征选取、模型训练和功率预测完整流程。资源共16个文件以csv训练/测试集、py脚本、ipynb分析笔记本为主辅以md说明和docx任务说明压缩包大小4.64MB结构清晰便于快速部署。代码中加入了详细注释关键逻辑易懂适合具备基础Python知识的开发者上手训练数据按多组时间切片划分便于对比不同时段预测效果。项目经过严格调试系统功能完整、界面简洁并具备数据管理能力可直接用于毕设或课程作业演示。目前已有218人学习下载适合需要高分项目参考、希望落地光伏功率预测实验的学习者。1. 光伏功率预测这个 98 分项目到底在预测什么机器学习的光伏功率预测这几年几乎成了毕设和期末大作业选题里的“标准答案”数据公开、问题边界清楚、模型可解释还贴着新能源的应用热点。这套项目把整条链路做成了能直接跑的工程包——8 份 CSV 训练/测试数据、4 个 Python 脚本外加一个完整记录了 2018 年光伏数据的 Notebook。它的核心价值不在于发明新算法而是把“数据清洗 → 特征构造 → 模型训练 → 结果评估”这条路完整走通且代码注释齐全新手也能顺着跑。它实际解决的问题是用历史气象与功率数据预测光伏电站未来一段时间的出力曲线。适合三类人——准备新能源方向毕设的学生、期末大作业想交实物的课程设计选手以及想快速上手一个时序回归项目的在职读者。拿到手先别急着改代码把数据、模块、入口摸清楚后面每一步都顺。2. 拆资源结构CSV 数据与四个 Python 模块各自负责什么拿到压缩包先别急着pip install。这套项目的文件命名分工很明确数据、入口、训练、工具是分开的。先建立映射关系后面排错时才知道该去哪个文件里找问题而不是对着整个目录瞎猜。2.1 数据文件train_1 到 train_4 与 test_1 到 test_4 的时序划分数据目录DC_Data下是 8 个 CSVtrain_1.csv、train_2.csv、train_3.csv、train_4.csv以及对应的 test_1.csv 到 test_4.csv。从命名规律看1 到 4 大概率是按时间段切出来的四组数据常见做法是按季度或按连续月份划分比如一季度、二季度、三季度、四季度或者 1-3 月、4-6 月这种窗口。这种划分背后有讲究。光伏出力随季节变化很明显夏天辐照强、出力高冬天弱春秋处于过渡带。如果只拿一整年数据随机打乱再切分模型的“季节感”就丢了。按段切分的好处是你可以观察模型在不同天气窗口下的表现差异这也是答辩时能拿出来讲的点。CSV 内部字段这类光伏数据集通常包含时间戳、环境温度、组件温度、水平辐照度、风速、湿度、实际功率等列。我复现这类项目时第一步永远是打开表头看单位、看缺失值而不是直接进算法。先用两条命令摸底cd DC_Data head -20 train_1.csv python -c import pandas as pd; df pd.read_csv(train_1.csv); print(df.shape); print(df.columns.tolist()); print(df.isnull().sum())第一行看文件长什么样、表头有哪些列。第二行一次性拿到行数、列名和缺失值统计。df.shape输出的是 (行, 列)isnull().sum()按列给出缺失数量。如果某列缺失值超过总行数的 10%后面要么填充要么直接丢掉别硬喂给模型。缺失值处理是这类项目里最容易被忽略、又最影响结果的环节后面避坑章节还会单独展开。2.2 Python 代码模块main、Data_Process、Train_Predict、Load_Save_Data 各管一段四个 Python 文件的分工非常清晰这也是这套项目适合做毕设的原因之一——模块边界清楚答辩时容易讲明白。Data_Process.py负责清洗 CSV、补缺失值、构造特征。时间戳解析、辐照度异常值剔除这类脏活基本都在这里。Train_Predict.py训练模型并做预测。里面定义特征列、标签列然后调参、训练、保存模型。Load_Save_Data.py数据读写工具封装了 CSV 加载和模型/结果的持久化。main.py整个流程的入口把上面三者串起来你只需要在命令行运行它。这种“入口 逻辑 工具”的分层是工业界最常见的 Python 工程结构。拿到手先打开 main.py 看它 import 了谁、调用顺序是什么基本就能知道全貌。# main.py 的典型调用顺序示意以项目实际内容为准 from Data_Process import load_and_clean, build_features from Train_Predict import train_model, predict_and_evaluate from Load_Save_Data import save_model, save_prediction if __name__ __main__: data load_and_clean(DC_Data/train_1.csv) X_train, X_test, y_train, y_test build_features(data) model train_model(X_train, y_train) metrics predict_and_evaluate(model, X_test, y_test) save_model(model, model.pkl) save_prediction(metrics, result.csv)load_and_clean返回清洗后的 DataFramebuild_features负责切分特征与标签train_model返回训练好的模型对象最后两步把结果落盘。if __name__ __main__是 Python 的标准入口写法保证只有直接运行 main.py 时才执行被别的脚本 import 时不会误触发。我一般会在 main.py 的清洗步骤后面加一行print(data.shape)确认数据量没有被洗丢太多。顺手把这个数值写进答辩报告导师问起来你能说出“清洗掉了多少行异常数据”比空说“我做了数据清洗”有说服力得多。另外说一句界面的事这套项目没有独立的 GUI 窗口文件它的“界面”主要体现在 Notebook 里的可视化图表和运行日志上。main.py跑完输出的是训练日志、评估指标和生成的对比曲线图这些图表就是你向导师展示的界面。2.3 Notebook 的角色DC_PV_Power_Predict_2018.ipynb 与脚本的关系压缩包里的DC_PV_Power_Predict_2018.ipynb不是多余的东西。它大概率是这个项目最早的原型——在 Notebook 里逐步探索数据、画曲线、调模型跑通之后再整理成上面的 py 脚本。这正好是标准的个人项目开发路径先探索后工程化。如果你的目标是快速交作业直接跑 main.py 就够如果你的目标是答辩时扛得住追问我建议重点看 Notebook 里的可视化部分。光伏功率预测的答辩高频问题就几个功率曲线为什么是这个形状、模型在阴天为什么误差大、你凭什么说模型没有过拟合。Notebook 里那些散点图、实际功率与预测功率的对比曲线就是回答这些问题的弹药。# 在 Notebook 里快速画实际 vs 预测对比曲线 import matplotlib.pyplot as plt import pandas as pd df pd.read_csv(result.csv) plt.figure(figsize(12, 5)) plt.plot(df[actual], labelactual, linewidth1.5) plt.plot(df[predict], labelpredict, linewidth1.5, alpha0.8) plt.legend() plt.ylabel(power / kW) plt.title(PV Power Prediction Result) plt.show()这段代码把实际功率和预测功率画在同一个坐标系里。判断模型好坏最直接的标准就在这两条线在晴天段应该高度重合在阴天段允许有偏差。但如果全天都在错位说明模型没学到规律问题多半出在特征或数据划分上。线宽设 1.5、预测线加alpha0.8是为了避免重叠时遮盖真实曲线这个小细节在答辩展示时很加分。这一章的代码都不复杂核心价值在于让你动手前先知道文件结构什么样。很多人拿到项目第一步就报错不是代码有问题而是路径不对或者没搞清入口。3. 把训练流程跑通数据加载、预处理、模型训练与结果落盘结构摸清楚之后这一章完整跑一遍主流程。照着做就能出结果同时我会把每一步的“为什么”讲清楚。3.1 环境准备与依赖这套项目核心依赖就四个pandas、numpy、scikit-learn、matplotlib。如果环境里没有装一下就行。pip install pandas numpy scikit-learn matplotlib如果你用的是 Anaconda 环境pandas 和 numpy 一般自带重点确认 scikit-learn 版本别太旧建议不低于 1.0。版本太旧GradientBoostingRegressor的部分参数名可能不兼容报错会让人以为是项目代码有问题。装完顺手验证导入python -c import pandas, numpy, sklearn, matplotlib; print(environment ok)输出 environment ok 就说明环境没问题。这一步看似废话实际上能帮你把“环境问题”和“代码问题”隔离开。这是我调试项目时的第一个习惯先确认环境再怀疑代码。整套项目跑不出结果的时候九成是路径或版本问题剩下那一成才是算法问题。3.2 数据加载与特征构造光伏功率预测的特征一般分三类时间特征小时、月份、是否白天、气象特征辐照度、温度、湿度、风速、历史特征上一时刻功率。时间特征从时间戳里拆气象特征直接用 CSV 里的列历史特征要自己 shift 构造。import pandas as pd import numpy as np df pd.read_csv(DC_Data/train_1.csv, parse_dates[time]) # 时间特征 df[hour] df[time].dt.hour df[month] df[time].dt.month # 历史特征上一时刻功率 df[power_lag1] df[power].shift(1) # 剔除凌晨无光照时段光伏出力基本为 0留着会稀释误差 df df[(df[hour] 5) (df[hour] 19)] # 按行丢弃前几行因为 lag 特征产生 NaN df df.dropna().reset_index(dropTrue)shift(1)是 pandas 里做时间序列滞后特征的标准写法把每一行的power变成它前一时刻的值相当于给模型提供了“功率惯性”——光伏出力是渐变过程上一时刻功率对下一时刻的预测非常重要。dropna()处理的是第一行因 shift 产生的空值必须丢掉否则模型碰到 NaN 会报错或表现变差。列名以你实际打开 CSV 的表头为准我这里用通用命名演示。为什么砍掉凌晨时段光伏电站夜间功率恒为 0如果这部分数据占比大模型会学出“偷懒解”——全部预测 0 都能拿到很高的准确率。这种模型在白天时段的误差会非常难看。答辩时导师问“为什么去掉夜间数据”这就是标准答案。3.3 特征列、标签列与训练集切分特征列确定后要明确告诉模型哪些是特征、哪个是标签然后切分训练集和验证集。这里有个关键点时序数据不能随机打乱切分必须按时间顺序切。feature_cols [hour, month, irradiance, temperature, humidity, wind_speed, power_lag1] target_col power X df[feature_cols].values y df[target_col].values # 按时间顺序切分前 80% 训练后 20% 验证 split_idx int(len(X) * 0.8) X_train, X_test X[:split_idx], X[split_idx:] y_train, y_test y[:split_idx], y[split_idx:]这里直接用split_idx按下标切而不是用 sklearn 的train_test_split。train_test_split默认shuffleTrue会把时间顺序打乱造成“模型见过未来数据”的假象这在时序预测里叫数据泄露属于致命伤。答辩被问到切分方式时回答“我按时间切的”会让导师觉得你懂时序问题的基本规矩。如果你用的是项目自带的 train/test CSV就不需要这一步直接在 Train_Predict.py 里跑数据加载和建模即可。我一般会额外打印切分后的时间范围确认验证集确实在训练集之后print(train time:, df[time][0], -, df[time][split_idx - 1]) print(test time:, df[time][split_idx], -, df[time][len(df) - 1])这一步是给自己留的后悔药——万一切分代码写错了打印时间范围能一眼看穿不用等模型跑完才发现指标异常。3.4 模型训练主流程与参数模型层面光伏功率预测最常见的选择是随机森林回归或梯度提升回归。这类项目里GradientBoostingRegressor出场率最高因为它在中小数据集上精度高、不需要太多特征缩放对异常值也有一定鲁棒性。from sklearn.ensemble import GradientBoostingRegressor model GradientBoostingRegressor( n_estimators300, learning_rate0.05, max_depth3, min_samples_leaf5, random_state42 ) model.fit(X_train, y_train)参数说明n_estimators300是弱学习器数量越大拟合能力越强但训练时间明显变长learning_rate0.05是每棵树的步长越小越稳、越不容易过拟合但需要配合更多的树max_depth3限制单棵树深度防止树生长过深去死记训练集的噪声min_samples_leaf5要求叶子节点最少 5 个样本也是正则化手段。random_state42是为了结果可复现答辩时保证每次跑出来指标一致。如果数据量只有几千行300 棵树几秒就能训完。如果打开 Train_Predict.py 看到的是RandomForestRegressor输出结论也成立只是训练更快、极端值处的拟合略糙一些。3.5 预测、评估与结果保存训练完成后用验证集做预测计算三个回归指标MAE、RMSE、R²。from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score y_pred model.predict(X_test) mae mean_absolute_error(y_test, y_pred) rmse mean_squared_error(y_test, y_pred, squaredFalse) r2 r2_score(y_test, y_pred) print(fMAE: {mae:.2f}) print(fRMSE: {rmse:.2f}) print(fR2: {r2:.4f}) # 保存模型与预测结果 import joblib joblib.dump(model, model.pkl) pd.DataFrame({actual: y_test, predict: y_pred}).to_csv(result.csv, indexFalse)mean_absolute_error算平均绝对误差单位与功率一致最直观mean_squared_error的squaredFalse返回 RMSE对大误差更敏感能暴露出“偶尔跑飞”的预测r2_score是决定系数范围一般在 0 到 1越接近 1 越好。三个指标配合result.csv落盘答辩材料就有了一张误差表加一张对比曲线图。输出指标时格式化成两位小数因为功率单位是 kW一位小数都嫌糙。R² 保留四位因为它差的往往就是零点零零几导师一看就知道你认真算过。4. 模型选型与调参回归问题怎么让 R² 逼近 0.9模型不是越新越好而是越匹配数据和场景越好。这一章讲清楚选型理由、指标判断和调参优先级。4.1 为什么是回归而不是分类光伏功率预测本质是回归问题输出是连续功率值不是晴天/阴天的类别标签。答辩时被问“为什么不用 LSTM”“为什么不做分类”回答核心是你要预测的不是“明天发不发得出电”而是“具体发多少千瓦”。回归模型输出连续值可以直接和实际功率曲线逐点对比分类会把问题粗化损失精度信息。至于 LSTM它的强项在长时序依赖而光伏功率预测是气象驱动型特征树模型在中小规模数据上往往够用且训练快。这也是项目选择 sklearn 系模型的现实原因——毕设时间有限跑得快、好解释、不容易翻车比追新模型更重要。4.2 评估指标MAE、RMSE、R² 要配合看三个指标不是选一个而是配合看。MAE 反映平均偏多少千瓦汇报时最实用比如“MAE 是 3.2kW占平均功率的 4.7%”。RMSE 对大误差更敏感如果 MAE 很小但 RMSE 很大说明模型大多数时候很准但偶尔有一次离谱预测常见于天气突变。RMSE 与 MAE 的比值可以当诊断信号用比值接近 1.25 属于正常波动超过 1.5 就要去看是不是预测曲线在某个时段整体飞了。R² 是相对指标代表模型解释了方差的比例。光伏数据晴天主导时 R² 到 0.95 以上不稀奇阴雨天多的数据集 0.85 就算不错。比绝对值更重要的是同一数据集上的相对提升。# 输出时多算一个平均功率占比答辩汇报更有说服力 avg_power y_test.mean() mae_ratio mae / avg_power print(fMAE / avg_power: {mae_ratio:.1%})这个占比指标是项目文档里不一定有、但导师最爱听的一个数。它把抽象误差变成“预测偏离真实出力不到 5%”这种可感知的表达比甩一个 MAE3.2 有力得多。4.3 调参方向学习率、树深度、特征数的三个优先级调参不要一上来就网格搜索全部参数那是在烧时间。我的固定优先级是learning_rate → n_estimators → max_depth。第一步降learning_rate到 0.03 或 0.05同时加大n_estimators观察 R² 是否上升。低学习率加多棵树是梯度提升精度提升最稳定的路径代价只是训练时间变长。第二步看max_depth光伏数据特征间存在非线性树深度从 3 加到 5 可能带来小幅提升但如果训练集 R² 明显高于验证集 R²说明已经过拟合退回原值。第三步处理特征数power_lag1这类历史特征有时比气象特征还重要如果去掉 lag 特征后 R² 掉得厉害说明模型在很大程度上是“跟着上一时刻走”这时候要检查模型是否过度依赖惯性、忽略了对辐照度的学习。from sklearn.model_selection import GridSearchCV param_grid { learning_rate: [0.03, 0.05, 0.1], n_estimators: [200, 300, 400], max_depth: [3, 5] } search GridSearchCV( GradientBoostingRegressor(random_state42), param_grid, cv3, scoringr2, n_jobs-1 ) search.fit(X_train, y_train) print(best params:, search.best_params_) print(best r2:, search.best_score_)GridSearchCV把三组超参组合穷举一遍cv3表示 3 折交叉验证scoringr2表示按 R² 选最优组合n_jobs-1让 CPU 全核跑。注意这里交叉验证默认会打乱时序所以网格搜索选出的参数仅供参考最终模型要用按时间切分的验证集再评估一次。很多人调参后指标虚高就是因为忽略了这一点。4.4 特征重要性树模型自带的可解释性光伏预测项目答辩时导师几乎必问“哪个特征对预测影响最大”。sklearn 树模型天然支持feature_importances_这是白送的加分点。importance model.feature_importances_ for name, imp in sorted(zip(feature_cols, importance), keylambda x: -x[1]): print(f{name}: {imp:.3f})输出按重要性降序排列。在真实电站数据里大概率是辐照度排第一、上一时刻功率排第二。如果某一天内特征重要性排名频繁变动说明模型不够稳。这个特性也帮你判断是否需要删特征重要性连续低于 0.02 的特征可以直接去掉对 R² 的影响通常不超过 0.005但能降低模型复杂度。5. 避坑与常见问题数据泄露、时间对齐与训练集切分下面五条全是血泪经验。复现同类光伏项目时容易翻车的不是算法而是数据处理的细节。每条按现象、原因、解决三部分写遇到问题直接对照排查。5.1 随机切分导致指标虚高现象训练时 R² 到了 0.97换到新的时间段验证时直接掉到 0.6。原因用了train_test_split默认的shuffleTrue测试集混进了训练集时间范围内的样本。天气序列是连续的相近时刻的功率高度相似随机切分相当于让模型偷看了“邻居”的答案。解决改成按下标顺序切分保证验证集时间范围完全在训练集之后。写代码时别用train_test_split(X, y, test_size0.2)改成X[:split_idx] / X[split_idx:]并打印两边的时间范围确认。这套项目自带的 train/test CSV 已经是按时间切好的直接用即可不要再随机重切。5.2 lag 特征泄漏到训练集现象加了power_lag1后指标暴涨但实际部署预测时效果一塌糊涂。原因如果训练时没用 shift只在预测时手动把前一时刻功率填进去数据管道不一致。更隐蔽的情况是先做了 lag 再随机切分于是测试集里某些行的 lag1 其实来自训练集时间点属于间接泄露。解决lag 特征必须在数据切分之前统一构造切分之后不再做任何跨样本操作。我一般把“构造特征 → 切分 → 建模”三步写死在同一个函数里避免在 Notebook 里来回手改导致前后不一致。如果你只在 Train_Predict.py 里训练就把 shift 逻辑放在读数据之后、切分之前。5.3 凌晨时段拖垮评估指标现象模型整体指标尚可但白天的预测曲线明显偏平、缺乏峰形。原因夜间功率恒为 0 的数据占了一半样本模型为了降低整体误差学会了把白天预测值压低。因为压低夜间误差的同时白天的偏差被大量 0 值稀释了整体 MAE 反而好看。解决训练和评估都只保留辐照度大于某个阈值的白昼时段比如 hour 5~19。夜间数据单独统计或直接说明不参与建模。这不算作弊而是针对光伏物理特性的合理数据截断。答辩时主动说“夜间不参与建模”比被导师问出来再解释体面得多。5.4 时间戳列与真实时间的格式或时区偏移现象从 CSV 读出的time列解析报错或者画出来的功率曲线整体比实际情况提前一小时。原因pd.read_csv没加parse_dates时间被当成字符串处理或者数据记录的是 UTC本地时间是 UTC8。解决读取时显式指定parse_dates[time]并按时间列排序后reset_index(dropTrue)。如果怀疑时区比对功率曲线的峰值时刻与当地正午时间是否对齐错位就做df[time] df[time] pd.Timedelta(hours8)。这个错位在评估指标上几乎看不出来但在对比曲线上非常明显属于一眼假的那种错误。5.5 模型文件保存后加载报错现象model.pkl保存成功但下次运行joblib.load时报 unpickling error 或 not defined。原因joblib 序列化 sklearn 模型时记录了模型类所在模块的引用换了环境或 sklearn 版本类的路径对不上反序列化就失败。解决保存和加载尽量在同一环境完成。复制到别的机器前在目标环境先安装对应版本的 sklearn。保存时用compress3压缩。我一般会把模型文件放在项目根目录下的model/文件夹路径统一从 main.py 所在目录相对计算不要在工作目录里乱跳省得换电脑后找不着文件。6. 把毕设从 80 分提到 98 分三个加分项与一个验证习惯这套项目拿到手能跑通只是基础分想从 80 分做到 98 分我复现过三轮存下来三个实打实的加分项。第一做分段误差分析。别只报一个整体 R²把预测误差按天气类型或按时段拆开算晴天的 MAE 是多少多云时段是多少功率上升段和下降段的偏差是正还是负。这组数字直接回答“你的模型在哪里失效”比任何漂亮的整体指标都经得起追问。我习惯把分段结果做成一张小表时段、样本数、MAE、RMSE、平均功率占比五列就够导师一眼能看完。第二加一个线性基线模型对比。用LinearRegression或Ridge在同一份数据上跑一遍把它的 MAE 和 R² 放在表格里和梯度提升对比。导师问“为什么选这个模型”你就说“线性基线差多少梯度提升提升多少”用数据说话。这个对比不需要额外写复杂代码sklearn 里几行就能出结果但很多学生懒得做做了就是差异化。第三输出一张完整的分时段预测曲线图。至少包含实际功率、预测功率、误差阴影三条信息横轴是时间图上标注训练区间与验证区间的分界线。整张图能撑起答辩十分钟。画图时注意把验证集和训练集用一条竖线或颜色区分开让人一眼看出模型没见过验证集数据。至于验证习惯我每次改完特征或调完参都强制自己走一遍同样的流程打印数据形状 → 打印时间范围 → 跑基线模型 → 跑目标模型 → 落盘对比表。这套流程走完再回头检查一遍数据有没有泄露、时间有没有对齐。从那以后我再没犯过数据泄露和路径错位这两类低级错误希望帮到你。本文还有配套的精品资源点击获取