新能源发电功率预测系统

该项目为第五届长三角青少年人工智能奥林匹克挑战赛 - "AI算法争霸"赛道（第三届世界科学智能大赛，中学-高中组）初赛的解决方案，聚焦于新能源发电功率预测任务。

项目概述

本项目旨在根据历史发电功率数据和对应时段多类别气象预测数据，实现次日零时起到未来24小时逐15分钟级新能源场站发电功率预测。通过机器学习和深度学习模型，为风电场和光伏电站提供准确的发电功率预测。

数据说明

项目使用的数据包括：

1. 气象数据：来自三个不同的气象预报源（NWP_1, NWP_2, NWP_3），包含如下变量：

   • 风力相关：u100（100米高度纬向风）、v100（100米高度经向风）
   • 温度相关：t2m（2米气温）
   • 降水相关：tp（总降水量）
   • 云量相关：tcc（总云量）
   • 气压相关：sp（地面气压）、msl（海平面气压）
   • 辐照度相关：poai（光伏面板辐照度）、ghi（水平面总辐照度）

2. 场站实发功率：来自10个新能源场站的归一化处理后的实发功率数据

   • 场站1-5：风电场
   • 场站6-10：光伏电场
   • 数据时间为北京时间，时间间隔为15分钟

项目结构

.
├── main.py               # 主程序代码，包含模型训练和预测功能
├── models/               # 保存训练好的模型
│   ├── 1/                # 场站1的模型
│   ├── 2/                # 场站2的模型
│   └── ...
├── training/             # 训练数据目录
│   └── middle_school/
│       ├── TRAIN/        # 训练集
│       └── TEST/         # 测试集
├── result/               # 预测结果输出目录
├── explanation.md        # 比赛说明文档
└── README.md             # 项目说明文档（当前文件）

模型设计

项目采用了多种模型，根据不同类型的发电场站（风电/光伏）进行差异化处理：

1. 增强型神经网络模型（EnhancedModel）：

   • 包含残差连接的深度学习模型
   • 批量归一化和Dropout防止过拟合
   • 自定义损失函数（PowerForecastLoss）更好地匹配竞赛评估指标

2. 梯度提升回归树模型（GradientBoostingRegressor）

3. 随机森林回归模型（RandomForestRegressor）

特征工程

项目实现了丰富的特征工程：

1. 时间特征：

   • 小时特征（正弦和余弦变换）
   • 日特征（正弦和余弦变换）
   • 月特征（正弦和余弦变换）
   • 昼夜指标

2. 专业特征：

   • 风电场：风速、风向、风力立方（与风能成正比）等特征
   • 光伏场：辐照度、云量、日照角度等特征

3. 滞后特征：包含前一时间步特征值

4. 差分特征：特征值的变化率

使用方法

1. 训练模型：

   python main.py --train

2. 生成预测：

   python main.py --predict

评估指标

项目使用与比赛一致的评估指标：

1. 每日预测准确率（CR）：

   CR = 1 - (∑|PM,i - PP,i| / ∑PM,i)
   

   其中，PM,i为实际功率，PP,i为预测功率

2. 场站预测准确率（Cf）：所有预测日的精度平均值

3. 最终准确率（C）：所有场站精度的平均值

特别说明

• 模型在不同类型的发电场站（风电/光伏）上采用了不同的特征工程和参数设置
• 项目严格遵循比赛规则，不使用外部数据或预训练模型