简介：这份《国能日新光伏功率预测系统用户使用手册V1.0.1》面向光伏电站运维人员、电力调度从业者及新能源相关专业学习者，系统讲解北京国能日新光伏电场功率预报管理系统的操作与配置方法。手册围绕人机界面、接口与数据库三部分展开，涵盖用户管理、系统设置、状态监测、预测曲线、气象信息、统计分析与报表等核心功能，并详细说明预测设置、光伏限电设置、计划开机容量、电场与组件信息、逆变器及气象站信息等配置项，同时介绍短期预测、超短期预测、数据补传与辐照度功率对比等关键模块。资源为1个PDF文件，压缩包约15.99MB，内容完整、目录清晰，便于按章节检索查阅。目前已有2825人学习下载，适合需要掌握光伏功率预测系统操作流程、理解预测模型配置与报表分析逻辑的读者参考使用。

1. 光伏功率预测系统用户手册到底在讲什么：从一份 V1.0.1 文档说起

一份名为《光伏功率预测系统用户使用手册 V1.0.1.pdf》的文档摆在面前，多数运维工程师的第一反应是“又一个要填的表”。但真正在电站待过的人知道，光伏功率预测系统不是报表工具，它直接挂钩两个硬指标：并网调度的考核精度和电站的收益结算。预测曲线偏了，轻则被调度点名，重则触发考核罚款。这份手册要解决的，就是让场站侧的人知道怎么把系统跑起来、数据接进去、模型调到位、结果报出去。它适合三类人：刚接手预测系统的新运维、需要对接数据接口的二次开发、以及被考核逼着回头查参数的老手。手册本身是操作说明，但操作背后是数据链路和模型逻辑，只照着点按钮，遇到偏差根本无从下手。

2. 光伏功率预测系统的数据链路与最小可跑通配置

2.1 从气象源到逆变器：一条预测链路要经过哪几段

光伏功率预测的精度，七成取决于数据链路是否干净。常见做法是把链路拆成四段：气象数据采集、场站实测数据接入、数据清洗与对齐、模型推理与上报。气象源一般分两类，数值天气预报（NWP）和卫星云图反演，前者给未来 0 到 72 小时的辐照度趋势，后者补短临 0 到 4 小时的云移动修正。场站实测数据来自环境监测仪和逆变器，包括总辐照、组件温度、风速、实际有功功率。这两路数据时间分辨率往往不一致，NWP 常见 15 分钟一个点，逆变器可能 1 分钟甚至 5 秒一个点，直接喂给模型就是灾难。

我一般会先做时间对齐，统一到 15 分钟粒度，用前向填充处理气象数据的稀疏点，用均值聚合处理高频实测数据。对齐之后还要做物理合理性校验，比如夜间辐照度不为零、功率超过装机容量、组件温度低于环境温度，这些异常点必须标记出来，不能直接删，删了会破坏时间连续性，后续插补更麻烦。链路里最容易被忽略的是时区，NWP 数据常带 UTC 时间戳，场站数据是本地时间，差 8 小时的对齐错误会让整个预测曲线整体平移，这种翻车在现场并不少见。

2.2 最小可跑通配置：一台服务器加三个数据文件

想在不依赖完整生产环境的情况下验证系统能不能跑，最小配置只需要一台能跑 Python 的服务器和三个文件：一份历史功率数据 CSV、一份 NWP 预报 CSV、一份场站基础信息 JSON。历史功率数据至少覆盖 30 天，包含时间戳和实际有功功率两列；NWP 数据包含时间戳、辐照度、温度、风速；场站信息包含装机容量、经纬度、组件倾角。下面这段代码做的是把三份数据读进来、对齐、做基础清洗，输出一份可以直接喂给预测模型的训练集。

import pandas as pd import numpy as np import json # 读取场站基础信息 with open('station_info.json', 'r', encoding='utf-8') as f: station = json.load(f) capacity = station['capacity_mw'] # 装机容量，单位 MW # 读取历史功率数据，时间列解析为 datetime power = pd.read_csv('history_power.csv', parse_dates=['timestamp']) power = power.set_index('timestamp').sort_index() # 读取 NWP 预报数据 nwp = pd.read_csv('nwp_forecast.csv', parse_dates=['timestamp']) nwp = nwp.set_index('timestamp').sort_index() # 统一到 15 分钟粒度：功率取均值，NWP 前向填充 power_15min = power.resample('15min').mean() nwp_15min = nwp.resample('15min').ffill() # 合并两路数据，按时间内连接 df = pd.concat([power_15min, nwp_15min], axis=1, join='inner') # 物理合理性校验：夜间辐照度置零，功率不超过装机容量 df.loc[df['irradiance'] < 0, 'irradiance'] = 0 df['power'] = df['power'].clip(upper=capacity) # 标记异常：功率为负或辐照度大于理论最大值 df['is_anomaly'] = (df['power'] < 0) | (df['irradiance'] > 1400) # 输出清洗后的训练集 df.to_csv('cleaned_train.csv', index=True) print(f'清洗后样本数：{len(df)}，异常点：{df["is_anomaly"].sum()}')

这段代码里几个参数值得说清楚。resample('15min')的粒度要和调度上报粒度一致，国内多数省份要求 15 分钟一个点，少数要求 5 分钟，改这个参数前先确认当地考核细则。ffill()是前向填充，NWP 数据在时间上通常连续，但偶尔缺一个点，前向填充比插值更保守，不会引入虚假趋势。clip(upper=capacity)把超限功率截断，而不是删除，保留时间连续性。is_anomaly标记出来但不删，后续模型训练时可以给这些点降权，而不是直接丢弃。

2.3 数据接口对接：手册里不会写的三个字段映射坑

手册通常只写“按接口文档对接”，但接口文档和实际数据之间往往差着三个字段映射。第一个坑是辐照度单位，NWP 数据可能给的是 W/m²，也可能是 MJ/m²，差 3.6 倍，不确认单位直接算，预测曲线整体偏高或偏低。第二个坑是功率单位，场站数据可能是 kW，接口要求 MW，差 1000 倍，这种错误在联调阶段经常被忽略，因为曲线形状看起来是对的，只是数值不对。第三个坑是时间戳格式，有的接口给的是字符串“2024-01-01 00:00:00”，有的是 Unix 时间戳，解析方式不同，差一天的情况我都见过。

提示：对接前先拿一天的数据做手工核对，把接口返回值和场站实际值逐点对一遍，比看十遍接口文档都管用。

3. 预测模型选型与参数调优：从持久化模型到梯度提升

3.1 为什么不能一上来就上深度学习

光伏功率预测的模型选型，常见做法是从简单模型起步，逐步加复杂度。持久化模型（persistence model）是最简单的基线，直接把前一天同一时刻的功率作为预测值，晴天场景下精度不差，但阴天和云移动场景直接崩。它的价值在于给复杂模型提供一个精度下限，如果深度学习模型跑不过持久化模型，说明数据或特征有问题，不是模型不够深。

我一般会按这个顺序试：持久化模型 → 线性回归 → 梯度提升树 → 时序神经网络。梯度提升树在光伏预测里性价比很高，特征工程做得好，精度能接近深度学习，训练时间却短得多。时序神经网络适合有大量历史数据且气象源质量高的场景，但调参成本高，过拟合风险大。手册里通常不会写模型选型逻辑，只写“系统内置多种算法”，但实际用的时候，选错模型比不调参更致命。

3.2 梯度提升树的关键参数：树深、学习率、早停轮数

梯度提升树在光伏预测里的核心参数有三个：树深、学习率、早停轮数。树深控制模型复杂度，太浅欠拟合，太深过拟合，光伏数据一般 4 到 8 层比较合适。学习率决定每棵树对最终结果的贡献，常见 0.01 到 0.1，学习率低需要更多树，但泛化更好。早停轮数防止过拟合，验证集误差连续多少轮不下降就停，一般设 50 到 100。

import lightgbm as lgb from sklearn.model_selection import train_test_split from sklearn.metrics import mean_absolute_error # 读取清洗后的数据 df = pd.read_csv('cleaned_train.csv', parse_dates=['timestamp']) df = df[~df['is_anomaly']] # 训练时剔除异常点 # 构造特征：时间特征 + 气象特征 + 滞后特征 df['hour'] = df['timestamp'].dt.hour df['month'] = df['timestamp'].dt.month df['lag_1'] = df['power'].shift(4) # 前 1 小时功率 df['lag_4'] = df['power'].shift(16) # 前 4 小时功率 df = df.dropna() feature_cols = ['irradiance', 'temperature', 'wind_speed', 'hour', 'month', 'lag_1', 'lag_4'] X = df[feature_cols] y = df['power'] # 按时间切分，不能随机切分，否则会数据泄漏 split_idx = int(len(df) * 0.8) X_train, X_val = X.iloc[:split_idx], X.iloc[split_idx:] y_train, y_val = y.iloc[:split_idx], y.iloc[split_idx:] # 训练梯度提升树 model = lgb.LGBMRegressor( n_estimators=1000, max_depth=6, learning_rate=0.05, early_stopping_rounds=50, validation_fraction=0.1, verbose=-1 ) model.fit(X_train, y_train, eval_set=[(X_val, y_val)]) # 验证集误差 pred = model.predict(X_val) mae = mean_absolute_error(y_val, pred) print(f'验证集 MAE：{mae:.3f} MW，装机容量：{capacity} MW') print(f'归一化误差：{mae / capacity * 100:.2f}%')

这段代码里，shift(4)和shift(16)对应 15 分钟粒度的前 1 小时和前 4 小时，滞后特征对光伏预测很重要，因为功率有强自相关性。split_idx按时间切分而不是随机切分，光伏数据有时间顺序，随机切分会让未来数据泄漏到训练集，验证误差虚低，上线后直接翻车。early_stopping_rounds=50配合validation_fraction=0.1，从训练集里再切一部分做早停验证，避免单独占用验证集。归一化误差是实际考核里更常用的指标，MAE 除以装机容量，一般要求晴天低于 10%，阴天低于 15%，具体看当地细则。

3.3 特征工程里最容易被忽略的三个量

光伏预测的特征工程，除了辐照度和温度，还有三个量经常被忽略。第一个是太阳高度角，它决定理论辐照度的上限，早晚和冬季的预测偏差往往和这个量有关。第二个是云量变化率，不是云量本身，而是相邻时间点的云量差值，云快速移动时功率骤降，这个特征能提前捕捉。第三个是组件温度与环境的差值，差值大说明辐照强但散热差，功率会低于预期。这三个量在手册里通常不会提，但实际调参时加上去，阴天场景的误差能降两到三个百分点。

4. 预测结果上报与考核指标：怎么把曲线交出去还不被罚

4.1 上报格式与时间窗口：错过窗口等于白跑

预测结果上报有严格的格式和时间窗口。常见做法是每天固定时间上报次日 96 点（15 分钟粒度）或 288 点（5 分钟粒度）的预测曲线，部分省份还要求滚动上报未来 4 小时短临预测。上报格式一般是 CSV 或 JSON，字段包括时间戳、预测功率、置信区间。时间窗口错过，系统再准也没用，调度侧直接按缺报处理。我一般会在上报前设两道检查：一是曲线连续性，不能有缺失点；二是数值范围，不能超过装机容量，也不能全零。

# 构造上报文件 report = pd.DataFrame({ 'timestamp': pd.date_range(start='2024-06-01 00:00', periods=96, freq='15min'), 'forecast_power': pred_curve, # 预测功率，单位 MW 'confidence_lower': pred_curve * 0.9, 'confidence_upper': pred_curve * 1.1 }) # 检查连续性 assert report['timestamp'].diff().dropna().nunique() == 1, '时间戳不连续' # 检查数值范围 assert report['forecast_power'].max() <= capacity, '预测功率超过装机容量' assert report['forecast_power'].min() >= 0, '预测功率为负' # 输出上报文件 report.to_csv('report_20240601.csv', index=False) print('上报文件已生成，共', len(report), '点')

这段代码里，pd.date_range生成 96 个时间点，对应次日 24 小时 15 分钟粒度。confidence_lower和confidence_upper是置信区间，部分调度要求上报，不给的话按缺项处理。两个assert是上报前的硬检查，连续性检查用diff().nunique() == 1确认所有间隔一致，数值范围检查防止超限和负值。这两个检查看起来简单，但现场翻车往往就翻在这。

4.2 考核指标怎么算：MAE、RMSE 和合格率

调度考核光伏预测精度，常用三个指标：MAE、RMSE 和合格率。MAE 是平均绝对误差，反映整体偏差；RMSE 是均方根误差，对大误差更敏感；合格率是误差在阈值内的点数占比，比如误差小于装机容量 10% 的点算合格。三个指标里，合格率最直接挂钩考核，MAE 和 RMSE 用来定位问题。我一般会按天气类型分开算，晴天、多云、阴天各看一组，整体指标好看但阴天崩的情况很常见，分开算才能定位到具体场景。

这张表里的阈值是常见范围，具体以当地调度细则为准。合格率的阈值通常是装机容量的 10% 到 15%，不同省份不一样，改之前先查细则。分开算天气类型时，天气标签可以从 NWP 的云量数据里推，云量低于 30% 算晴天，30% 到 70% 算多云，高于 70% 算阴天。

4.3 上报失败后的补救：补报流程和降级策略

上报失败后的补救，手册里通常只写“联系调度”，但实际能做的有三步。第一步是补报，多数调度允许在窗口关闭后一定时间内补报，补报文件要标注补报标识，不然按缺报处理。第二步是降级策略，如果预测系统本身故障，切到持久化模型或人工经验曲线，先保证有曲线交出去，精度差比缺报好。第三步是记录故障时间点和原因，考核申诉时用得上，部分调度对不可抗力导致的偏差有豁免机制。我一般会在系统里预设一个降级开关，一键切到备用曲线，比临时手算快得多。

5. 避坑与排查：光伏功率预测系统上线后最常见的五类问题

5.1 预测曲线整体偏高或偏低

现象：连续多天预测曲线比实际功率高 10% 到 20%，形状对但数值偏。原因通常是辐照度单位没换算，NWP 给的是 MJ/m²，系统按 W/m² 算，差 3.6 倍；或者装机容量配置错了，把 MW 填成 kW。解决：先核对单位，再核对装机容量，两个都对了再看模型是否过拟合。我遇到过一回，装机容量填大了 10 倍，曲线形状完全正确，就是数值离谱，查了两天才发现是配置文件里多写了一个零。

5.2 阴天场景误差突然变大

现象：晴天预测精度很好，一到阴天 MAE 翻倍。原因通常是训练集里阴天样本太少，模型没学到云移动对功率的影响；或者特征里没有云量变化率，模型只能靠辐照度猜。解决：按天气类型分层采样，阴天样本过采样；加入云量变化率和太阳高度角特征；阴天场景单独训练一个模型，和晴天模型做切换。分层采样时注意不要过度，阴天样本占比控制在 30% 左右，太多会影响晴天精度。

5.3 上报时间窗口错过

现象：预测算完了，但上报窗口已经关了。原因通常是数据链路延迟，NWP 数据到得晚，或者模型推理时间超预期。解决：把数据采集和模型推理提前，NWP 数据一到就先跑一遍粗预测，后续数据到了再滚动更新；上报前设闹钟提醒，别依赖系统自动上报，自动上报失败没有告警就是黑匣子。我一般会在上报窗口前 30 分钟设一个检查点，看数据齐不齐、模型跑没跑完，不齐就切降级策略。

5.4 模型上线后精度逐渐下降

现象：刚上线时精度不错，跑了两三个月后误差慢慢变大。原因通常是组件衰减、季节变化或气象源漂移，模型没跟上。解决：设滚动训练机制，每月用最近 30 天数据重新训练一次；监控特征分布，辐照度或温度的分布和训练集差太多就触发重训。滚动训练时注意保留一个固定验证集，不然没法比较新旧模型。

5.5 接口对接后数据对不上

现象：接口返回的数据和场站实际值对不上，差一个固定比例或固定时间偏移。原因通常是单位不一致或时区没对齐，UTC 和本地时间差 8 小时，曲线整体平移。解决：对接前先拿一天数据手工核对，逐点对；时区统一用本地时间，NWP 数据解析时先转时区再对齐。时区问题最隐蔽，因为曲线形状完全正确，只是时间平移，不看时间戳根本发现不了。

6. 把预测系统跑稳的一个习惯：每天花十分钟看三张图

光伏功率预测系统跑稳，靠的不是模型多先进，而是每天花十分钟看三张图。第一张是预测曲线和实际曲线的对比图，看整体偏差和形状差异，偏差突然变大就是告警信号。第二张是误差按时间分布的图，看误差集中在哪个时段，早晚误差大通常是太阳高度角特征没做好，中午误差大通常是辐照度或温度特征有问题。第三张是特征分布图，看辐照度、温度、功率的分布有没有漂移，漂移了就该重训了。

这三张图不用多复杂，用 matplotlib 画就行，关键是每天看，形成习惯。我一般会在早上到岗后先跑一遍昨天的数据，三张图扫一眼，有问题当天查，没问题就过。这个习惯比任何自动化告警都管用，因为告警有阈值，阈值内的缓慢漂移不会触发，但看图能看出来。下面这段代码是画这三张图的最小实现，可以直接挂在系统里每天跑。

import matplotlib.pyplot as plt # 读取预测和实际数据 df = pd.read_csv('daily_check.csv', parse_dates=['timestamp']) fig, axes = plt.subplots(3, 1, figsize=(12, 10)) # 图一：预测 vs 实际 axes[0].plot(df['timestamp'], df['actual'], label='实际功率', color='blue') axes[0].plot(df['timestamp'], df['forecast'], label='预测功率', color='orange', linestyle='--') axes[0].set_ylabel('功率 (MW)') axes[0].legend() axes[0].set_title('预测与实际对比') # 图二：误差按小时分布 df['hour'] = df['timestamp'].dt.hour hourly_error = df.groupby('hour').apply(lambda x: abs(x['actual'] - x['forecast']).mean()) axes[1].bar(hourly_error.index, hourly_error.values, color='gray') axes[1].set_xlabel('小时') axes[1].set_ylabel('MAE (MW)') axes[1].set_title('误差按小时分布') # 图三：辐照度分布 axes[2].hist(df['irradiance'], bins=50, color='green', alpha=0.7) axes[2].set_xlabel('辐照度 (W/m²)') axes[2].set_ylabel('频次') axes[2].set_title('辐照度分布') plt.tight_layout() plt.savefig('daily_check.png', dpi=100) print('三张图已生成')

这段代码里，groupby('hour').apply算每个小时的平均绝对误差，误差集中在哪个时段一目了然。hist画辐照度分布，和训练集分布对比，漂移了就能看出来。dpi=100保证图够清晰，挂在日报里不糊。这三张图不用存太久，保留最近 30 天就行，多了占空间也没人看。

说到底，光伏功率预测系统的用户手册只是入口，真正让系统跑稳的是每天的数据核对和参数微调。我踩过最大的坑是太信手册里的默认参数，上线第一个月没看数据，第二个月考核直接不合格。后来养成每天看三张图的习惯，误差再没失控过。希望帮到你。

本文还有配套的精品资源，点击获取