# gaungfu_predict

**Repository Path**: chen-lei12/gaungfu_predict

## Basic Information

- **Project Name**: gaungfu_predict
- **Description**: 光伏预测
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2025-12-24
- **Last Updated**: 2025-12-24

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 光伏滚动预测系统

这个项目实现了一个光伏发电功率的滚动预测系统，使用双向LSTM模型，每隔15分钟预测未来2小时的功率。系统设计为模块化结构，便于扩展和维护。

## 特点

- 使用双向LSTM进行时序预测
- 基于晴天数据进行训练，提高预测精度
- 支持两种预测模式：
  - 标准滚动预测模式：符合实际应用场景，使用预测结果作为后续预测的输入
  - 仅预测模式：每次预测都只使用真实历史数据，用于评估模型性能
- 每15分钟预测未来2小时的功率
- 可将功率转换为辐射度进行可视化和分析
- 支持时间偏移机制，解决预测滞后问题
- 可添加趋势特征，提高预测准确性
- 生成预测精度图表和评估指标
- 模块化设计，易于扩展和维护

## 项目结构

```
./
├── data/
│   └── sunny_days_data.csv       # 晴天数据
├── models/                      # 存放训练好的模型
├── outputs/                     # 存放输出结果
│   ├── predictions/             # 预测结果数据
│   ├── figures/                 # 生成的图表
│   └── reports/                 # 评估报告
├── src/                         # 源代码
│   ├── data_processor.py        # 数据处理模块
│   ├── model.py                 # 模型定义
│   ├── trainer.py               # 模型训练
│   ├── predictor.py             # 滚动预测实现
│   └── evaluator.py             # 评估和可视化模块
├── main.py                      # 主程序
├── README.md                    # 项目说明
└── requirements.txt             # 依赖项
```

## 安装依赖

```bash
pip install -r requirements.txt
```

## 数据格式

系统使用的晴天数据需要包含以下字段：
- 日期：时间戳
- 压力：大气压力
- 湿度：空气湿度
- 云量：云量
- 温度：环境温度
- 风速：风速
- 辐照度：太阳辐照度
- 实际功率：实际输出功率
- 理论功率：理论输出功率

## 使用方法

### 训练模型

```bash
python main.py --mode train --data_path sunny_days_data.csv --epochs 50
```

### 滚动预测模式（默认，适合实际应用）

```bash
python main.py --mode predict --data_path sunny_days_data.csv --predict_start "2023-06-01 00:00:00" --predict_end "2023-06-02 12:00:00"
```

### 使用时间偏移解决滞后问题

```bash
python main.py --mode predict --data_path sunny_days_data.csv --predict_start "2023-06-01 00:00:00" --predict_end "2023-06-02 12:00:00" --time_offset 1
```

### 启用趋势特征增强预测

```bash
python main.py --mode predict --data_path sunny_days_data.csv --predict_start "2023-06-01 00:00:00" --predict_end "2023-06-02 12:00:00" --add_trend_features
```

### 仅预测模式（适合模型评估）

```bash
python main.py --mode predict --data_path sunny_days_data.csv --predict_start "2023-06-01 00:00:00" --predict_end "2023-06-02 12:00:00" --prediction_only_mode
```

### 训练并预测

```bash
python main.py --mode both --data_path sunny_days_data.csv --epochs 50 --predict_start "2023-06-01 00:00:00" --predict_end "2023-06-02 12:00:00"
```

## 新增功能说明

### 功率到辐射度的转换

系统现在能够将功率输出转换为等效太阳辐射度，提供更直观的能源输入指标。辐射度的计算使用以下公式：

```
辐射度(W/m²) = 功率(kW) / (效率 × 面积(m²)) × 1000
```

默认使用：
- 光伏板效率：17%
- 光伏板面积：100平方米

转换后的辐射度图表会自动保存到`outputs/figures/irradiance_comparison.png`。

### 时间偏移机制

通过设置`--time_offset`参数，可以解决预测结果滞后的问题。例如，设置`--time_offset 1`表示将预测结果前移1个时间步（15分钟），使预测曲线更接近实际曲线。

时间偏移适用于以下场景：
- 需要在显示上补偿模型固有的滞后性
- 当预测曲线与实际曲线存在系统性时间差时

### 趋势特征增强

启用`--add_trend_features`选项会自动为输入数据添加以下额外特征：
- 一阶差分：捕捉变量变化率
- 二阶差分：捕捉变化的加速度
- 移动平均：减少短期波动，突出趋势
- 时间周期特征：通过三角函数编码时间周期性

这些特征有助于模型更好地捕捉变化趋势，特别是在变化剧烈的时间点提高预测准确性。

## 预测模式说明

系统支持两种预测模式：

1. **标准滚动预测模式** (默认):
   - 这是符合实际应用场景的预测模式
   - 初始预测使用可用的真实历史数据
   - 随着时间推移，会逐渐将之前的预测结果纳入输入序列
   - 例如：预测t+1到t+8时，使用t-24到t的数据；预测t+2到t+9时，使用t-23到t+1的数据，其中t+1是之前的预测值
   - 这种模式能够评估模型在长期预测中的稳定性和预测误差累积效应

2. **仅预测模式** (`--prediction_only_mode`):
   - 这是一种专门用于模型评估的模式
   - 每次预测只使用真实历史数据，不使用之前的预测结果
   - 如果没有足够的真实历史数据，则跳过该时间点
   - 这种模式可以评估模型在理想条件下的性能，但不符合实际应用场景

## 命令行参数

- `--data_path`: 数据文件路径，默认为 'sunny_days_data.csv'
- `--mode`: 运行模式，可选 'train'（仅训练）, 'predict'（仅预测）, 'both'（训练和预测），默认为 'both'
- `--epochs`: 训练轮数，默认为 50
- `--batch_size`: 批次大小，默认为 64
- `--hidden_size`: LSTM隐藏层大小，默认为 64
- `--num_layers`: LSTM层数，默认为 2
- `--seq_length`: 输入序列长度，默认为 24（对应6小时，每15分钟一个数据点）
- `--learning_rate`: 学习率，默认为 0.001
- `--predict_start`: 预测开始时间，默认为 '2023-06-01 00:00:00'
- `--predict_end`: 预测结束时间，默认为 '2023-06-02 12:00:00'
- `--model_path`: 模型保存/加载路径，默认为 'models/bidirectional_lstm_model.pth'
- `--prediction_only_mode`: 启用仅预测模式，不使用之前的预测结果进行后续预测
- `--time_offset`: 时间偏移量，用于解决预测滞后问题，单位为时间步数（15分钟/步），默认为0
- `--add_trend_features`: 是否添加趋势特征，帮助模型捕捉变化趋势

## 输出结果

预测结果会保存在 `outputs/predictions/` 目录中：
- `all_predictions_rolling.csv`: 滚动预测模式的所有结果
- `all_predictions_prediction_only.csv`: 仅预测模式的所有结果
- `first_step_comparison_rolling.csv`: 滚动预测模式下，每次预测的第一个时间点与实际值的对比
- `first_step_comparison_prediction_only.csv`: 仅预测模式下，每次预测的第一个时间点与实际值的对比

评估图表会保存在 `outputs/figures/` 目录中：
- `predictions_vs_actual.png`: 预测值与实际值的对比图
- `first_step_comparison.png`: 每次预测的第一个时间点与实际值的对比图（功率）
- `irradiance_comparison.png`: 辐射度对比图（从功率转换）
- `error_distribution.png`: 预测误差分布图
- `error_over_time.png`: 预测误差随时间变化图

评估指标会保存在 `outputs/reports/` 目录中：
- `evaluation_metrics.csv`: 包含RMSE、MAE、MAPE、R²等评估指标