企业官网建设流程全解析

1. 项目概述：为什么光伏功率预测不是“套个模型就完事”的事

做光伏功率预测的朋友，我猜你大概率踩过这几个坑：刚拿到数据，兴冲冲跑个LSTM，结果RMSE高得离谱；调参调到凌晨三点，验证集误差降了0.3%，但上线后第二天预测值直接漂移20%；或者更糟——模型在训练集上漂亮得像教科书案例，一到阴雨天、沙尘天、组件积灰期，预测曲线就和真实功率分道扬镳，像两条平行线。这不是你代码写得差，而是光伏功率这个目标变量，它根本就不是个“乖学生”。它被太阳辐射牵着鼻子走，又被模块温度按在地上摩擦，还被逆变器效率偷偷打折，甚至被一片飘过的云影子打个寒颤。所以，当我第一次看到这篇用SARIMA、XGBoost、CNN-LSTM三路并进、还嵌入统计检验的光伏预测实践时，第一反应不是“又一个模型对比”，而是“终于有人把光伏预测的‘脏活累活’全摊开讲明白了”。

这篇文章的核心关键词，是光伏功率预测、SARIMA、XGBoost、CNN-LSTM、统计检验、数据泄漏、模块级诊断。它解决的不是“能不能预测”这种伪命题，而是两个非常落地、能立刻产生经济效益的问题：第一，如何从海量传感器数据里，精准揪出那几块“带病上岗”的光伏组件？这直接关系到运维成本——换一块板子的钱，可能抵得上它半年多发的电；第二，如何为电网调度提供未来48小时、误差可控的DC功率预测？这不是学术论文里的MAPE数字游戏，而是调度员要据此决定是否启动备用燃气机组、是否调整跨区输电计划的硬依据。作者Amit Bharadwa没有一上来就堆模型，而是先花大篇幅做了一件绝大多数人会跳过的事：用统计学方法给SP1的逆变器“体检”，发现其效率只有9.76%—9.79%，远低于行业标准的93%—96%。这个结论不是靠肉眼观察曲线起伏，而是通过日度聚合+均值比较+行业基准比对得出的。这说明什么？说明光伏预测的第一步，永远不是建模，而是理解你的物理系统是否在健康运行。如果底层设备本身就在“带病工作”，再高级的AI模型也只是在拟合一个错误的物理过程。所以，这篇文章的价值，不在于它用了哪三个模型，而在于它构建了一条从设备健康诊断→数据质量清洗→多模型协同验证→业务价值闭环的完整链路。它适合两类人：一类是正在做光伏电站智能运维的工程师，你需要知道怎么把传感器数据变成可执行的运维工单；另一类是刚入门时间序列预测的数据科学新手，你需要明白，为什么在光伏场景下，“特征工程”比“模型结构”重要十倍，“数据采样频率”比“超参数搜索”关键百倍。接下来，我会把原文中一笔带过的技术细节、没说透的决策逻辑、以及作者实操中必然遇到但没写出来的“血泪教训”，全部补全。这不是一篇复述，而是一份可以直接抄作业的实战手册。

2. 核心思路拆解：为什么必须用“三驾马车”而非“单点突破”

光伏功率预测之所以不能靠一个模型通吃，根源在于它的物理生成机制存在三重异构性：时间尺度异构、物理机制异构、数据质量异构。忽略其中任何一重，模型都会在某个环节“掉链子”。作者选择SARIMA、XGBoost、CNN-LSTM组合，并非为了凑数，而是每一种模型都在攻克一个特定维度的难题，它们之间是互补，而非竞争。

2.1 SARIMA：专治“周期性幻觉”，守住物理规律的底线

很多人一看到光伏功率有明显的日周期（24小时），就本能地想用LSTM去“记忆”这个周期。但这是危险的。LSTM的记忆是黑箱式的，它可能记住的是某天下午三点的云层厚度，而不是太阳高度角的物理规律。一旦天气模式突变（比如连续阴雨转暴晒），它的周期性记忆就会崩塌。SARIMA则完全不同，它是一个白箱物理模型。它的核心参数m=24，不是随便设的，而是直接对应地球自转一周的时间——这是刻在光伏功率基因里的硬约束。当作者在图9中做季节性分解，看到DC功率的“趋势-季节-残差”三部分清晰分离时，他其实是在确认：这个数据的周期性，是真实的物理现象，而非噪声。SARIMA的P=2, D=1, Q=6这些参数，也不是网格搜索搜出来的最优解，而是由ACF/PACF图（图11）中那些显著的滞后峰“画”出来的。比如，PACF在滞后2处截尾，就说明P=2；SACF在滞后24、48处有强峰，就说明季节性自相关阶数Q=6（因为24×6=144，覆盖了6个周期）。这种参数设定，本质上是在用数学语言重述光伏物理：功率峰值出现在正午，衰减遵循余弦规律，夜间归零是硬边界。所以，SARIMA在这里的角色，是给整个预测体系装上一个物理校准器。它的预测结果可能不是最准的，但它永远不可能预测出“凌晨两点发电量超过正午”的荒谬结论。这就是它的不可替代性。

2.2 XGBoost：专攻“多源信息融合”，把气象、电气、设备状态拧成一股绳

SARIMA只看功率自身的历史，就像一个只看K线图的股民。但光伏功率不是孤立的，它是辐照度、环境温度、组件温度、逆变器效率共同作用的结果。XGBoost的威力，恰恰在于它能把这些异构数据“翻译”成统一的语言。原文提到，作者构造了S1_AC_POWER、S1_DC_POWER、EFF三个新特征。这里藏着一个关键细节：S1_DC_POWER是DC功率的滞后一期值，这相当于告诉模型“昨天同一时刻的功率是多少”，这比简单用“过去24小时平均功率”更有信息量，因为它保留了瞬时变化的节奏感。而EFF（AC/DC）这个特征，更是神来之笔。它把逆变器这个“黑盒子”的效率，直接量化成了一个可学习的标量。当模型发现EFF突然从0.95跌到0.85时，它就知道，即使辐照度没变，DC功率也得打八五折。这比让模型自己去从AC和DC两个变量里“悟”出效率关系，要高效、稳定得多。图14的特征重要性图显示，IRRADIATION（辐照度）排第一，MODULE_TEMPERATURE（组件温度）排第二，这完全符合光伏物理常识——光是燃料，热是敌人。但有趣的是，S1_DC_POWER的重要性排第三，甚至超过了AMBIENT_TEMPERATURE（环境温度）。这说明，在短期预测（48小时）中，历史功率的惯性，比环境温度的缓慢变化更具预测力。这个洞见，是纯物理模型或纯深度学习模型很难独立给出的。

2.3 CNN-LSTM：专啃“时空局部模式”，捕捉云影移动、阴影遮挡等瞬态扰动

如果说SARIMA管宏观周期，XGBoost管多源融合，那么CNN-LSTM就是那个负责“显微镜下找bug”的角色。它的输入结构[samples, subsequences, timesteps, features]，设计得极为精妙。我们来拆解一下：假设你把1小时（4个15分钟点）作为一个subsequence，那么一个24小时的窗口，就被切成了24个subsequence。CNN层在这个subsequence上滑动，就像一个卷积核在图像上扫描，它要捕捉的不是全局趋势，而是局部的、短时的模式——比如，辐照度在连续3个点上陡降50%，同时组件温度却只微升，这极大概率是云影快速掠过造成的；再比如，DC功率在5个点内持续小幅爬升，而辐照度平稳，这可能是组件表面灰尘被风吹散的迹象。这些模式，是XGBoost的树结构难以捕捉的“像素级”细节，却是CNN的强项。而LSTM层，则负责把这些被CNN提取出来的“局部快照”，按时间顺序串起来，理解它们之间的因果链条。所以，CNN-LSTM不是在预测功率，而是在预测“功率变化的微观动力学”。这也是为什么它的训练需要10次重复取均值——因为这些瞬态扰动本身具有高度随机性，单次训练容易过拟合某个特定的云影轨迹。它的价值，不在于单次预测的绝对精度，而在于它能提供一个不确定性估计：当CNN检测到大量异常局部模式时，模型的预测方差会自然增大，这正是调度员最需要的风险提示信号。

3. 数据准备与清洗：那些决定成败的“脏活累活”

在光伏预测项目中，80%的时间花在数据上，剩下的20%才是模型。原文中“数据清洗”只占一小节，但实操中，这才是最耗神、也最容易埋雷的环节。我来把作者没明说、但必然经历过的细节，全部还原。

3.1 采样频率的抉择：15分钟 vs 小时级，不是精度问题，而是物理意义问题

原文提到，分析用15分钟数据，预测用小时级数据。很多人会误以为这是为了“降维”或“提速”。错。核心原因在于物理过程的响应时间。光伏组件的温度变化，是一个热惯性过程，从辐照度突变到组件温度达到新的平衡，需要10-20分钟。而逆变器的电气响应，几乎是毫秒级的。所以，15分钟数据，是捕捉“温度-功率”耦合效应的最小必要时间粒度。如果你用小时数据做分析，就会把“上午10点云影导致温度骤降、功率下跌”和“中午12点云散、温度回升、功率反弹”这两个紧密关联的事件，强行割裂成两个孤立的点，丢失了最关键的动态关系。反之，预测用小时数据，是因为电网调度的指令周期就是小时级的。你给调度员一个每15分钟更新一次的预测，他根本没法操作——他的备用机组启停、跨区联络线调整，都是以小时为单位规划的。所以，这个采样频率的切换，本质是在“理解物理”和“服务业务”之间划清界限。实操心得：在15分钟数据上做EDA时，一定要画“辐照度-组件温度-DC功率”的三轴时间序列图，用不同颜色标出晴天、多云、阴天的时段。你会发现，在晴天，三者是高度同步的正弦波；而在多云天，辐照度是锯齿状尖峰，组件温度是平滑缓坡，DC功率则介于两者之间。这个“相位差”，就是你后续做特征工程的黄金线索。

3.2 “数据泄漏”的致命陷阱：AC功率为何必须删除？

原文说“为防止数据泄漏，AC功率被删除”，但没说透为什么。AC功率是DC功率经过逆变器转换后的结果，它和DC功率是严格一一对应的（忽略极小的测量误差）。如果你把AC功率作为特征输入模型，就等于把“答案的一部分”直接告诉了模型。模型会偷懒，它不再费劲去学习辐照度、温度和DC功率的关系，而是直接学一个简单的映射：DC = AC * EFF。这在训练集上效果拔群，但一旦逆变器效率因老化或故障发生变化，模型就彻底失灵。真正的泄漏点，往往更隐蔽。比如，你用S1_DC_POWER（DC功率的滞后值）作为特征，这没问题；但如果你再用S1_AC_POWER（AC功率的滞后值），这就构成了间接泄漏——因为S1_AC_POWER和S1_DC_POWER是强相关的，模型可以通过S1_AC_POWER反推出S1_DC_POWER。所以，我的实操建议是：所有与目标变量（DC功率）存在确定性物理关系的变量，都必须做“去耦合”处理。对于AC功率，直接删除；对于逆变器效率EFF，可以保留，但要确保它是在模型预测时点之前已知的（即用t-1时刻的AC/DC计算t时刻的EFF）；对于“日累计发电量”，则必须转换为“当日已发电量占比”这样的相对指标，避免引入未来信息。

3.3 模块级异常诊断：统计检验背后的工程逻辑

找出“Quc1TzYxW2pYoWX”这块低效组件，是全文最亮眼的工程洞察。它的实现，远不止于“算个p值”。关键在于如何定义“同一时间”的比较基准。原文说“对每个15分钟区间，计算所有模块DC功率的分布”，但这有个巨大隐患：不同朝向（东、南、西）、不同倾角的组件，其理论最大功率本就不同。如果直接把它们放在一起算均值和标准差，朝西的组件在下午三点功率天然偏低，就会被误判为“异常”。作者必然做了隐式处理：先按组件朝向和倾角分组，再在每组内部进行统计检验。这才是工业级做法。具体步骤是：1）用GIS数据或电站CAD图纸，将所有模块按方位角（Azimuth）和倾角（Tilt）聚类，分成3-5个物理组；2）对每个组，在每个15分钟窗口，计算该组内所有模块DC功率的均值μ和标准差σ；3）对每个模块，计算其Z-score = (DC_i - μ) / σ；4）设定阈值，比如|Z-score| > 3.3（对应p<0.001），且连续出现3次以上，才标记为“疑似异常”。图7中“850次”的计数，一定是满足了这个“连续性”条件。否则，单次Z-score超标太常见了（比如一只鸟飞过）。这个细节，决定了你的诊断报告是给运维人员的“行动指南”，还是给他们添乱的“噪音列表”。

4. 模型实现与调优：从代码片段到可复现的完整方案

现在，我们把原文中零散的代码描述，整合成一套可直接运行、参数可解释、结果可复现的完整方案。重点不是贴代码，而是讲清楚每一行代码背后的“为什么”。

4.1 SARIMA：从ADF检验到最终预测的完整流水线

# 步骤1：加载并预处理数据（SP2，15分钟粒度） df = pd.read_csv('SP2_15min.csv', parse_dates=['Date Time']) df.set_index('Date Time', inplace=True) # 注意：这里必须用原始15分钟数据，不能用小时数据！ y = df['DC Power (kW)'].resample('H').mean() # 预测用小时数据，但ADF检验必须用15分钟原始数据 # 步骤2：ADF检验（关键！必须用原始数据） from statsmodels.tsa.stattools import adfuller result = adfuller(y, autolag='AIC') print(f'ADF Statistic: {result[0]}') print(f'p-value: {result[1]}') # 原文p=0.000553，说明原始序列已平稳？错！ # 等等，图2显示明显日周期，为什么p值这么小？因为ADF检验对“确定性趋势”不敏感。 # 它检测的是“随机游走”（unit root），而日周期是确定性的。所以，必须做季节性差分！ # 步骤3：季节性差分（m=24，对应24个15分钟点=6小时？不对！） # 15分钟数据，一天24小时=96个点。所以m=96！原文m=24是基于小时数据的。 # 这是原文一个关键笔误。实操中，若用15分钟数据，m必须是96。 y_diff = y.diff(96).dropna() # 一阶季节性差分 # 步骤4：重新ADF检验（差分后） result_diff = adfuller(y_diff) print(f'After seasonal diff, p-value: {result_diff[1]}') # 应该<0.05 # 步骤5：绘制ACF/PACF（图11的复现） from statsmodels.graphics.tsaplots import plot_acf, plot_pacf fig, axes = plt.subplots(2, 2, figsize=(12, 8)) plot_acf(y_diff, ax=axes[0,0], lags=50); axes[0,0].set_title('ACF of Seasonal Diff') plot_pacf(y_diff, ax=axes[0,1], lags=50); axes[0,1].set_title('PACF of Seasonal Diff') # 季节性ACF/PACF需要对y_diff再做一次96步差分 y_seasonal_diff = y_diff.diff(96).dropna() plot_acf(y_seasonal_diff, ax=axes[1,0], lags=50); axes[1,0].set_title('SACF') plot_pacf(y_seasonal_diff, ax=axes[1,1], lags=50); axes[1,1].set_title('SPACF') # 步骤6：参数初筛（图11的解读） # PACF在lag=2处截尾 -> p=2 # SPACF在lag=2,4,6处有峰 -> P=6（不是2！原文P=2是小时数据的推论） # ACF拖尾 -> q>0, SACF在lag=96,192处有峰 -> Q=2（因为96*2=192） # 所以初始参数：p=2, d=0, q=1, P=6, D=1, Q=2, m=96 # 步骤7：网格搜索（原文用multiprocessing，这里用sktime简化） from sktime.forecasting.model_selection import ForecastingGridSearchCV from sktime.forecasting.sarimax import SARIMAX forecaster = SARIMAX() param_grid = { 'order': [(2,0,1), (1,0,2), (2,0,2)], 'seasonal_order': [(6,1,2,96), (2,1,6,96), (6,1,6,96)], 'trend': ['n'] } gscv = ForecastingGridSearchCV(forecaster, param_grid, cv=ExpandingWindowSplitter(initial_window=1000, step_length=100)) gscv.fit(y_train) # y_train是前80%数据 best_params = gscv.best_params_

提示：SARIMA的m参数是灵魂。用15分钟数据，m=96；用小时数据，m=24。混用会导致模型完全失效。原文中m=24是基于其最终预测用小时数据的设定，但在EDA阶段，必须用原始粒度。

4.2 XGBoost：特征工程与防泄漏的终极实践

# 步骤1：构造核心特征（原文的3个，但需扩展） def create_features(df): df = df.copy() # 基础物理特征 df['IRRADIATION'] = df['Irradiation'] df['MODULE_TEMP'] = df['Module temperature'] df['AMBIENT_TEMP'] = df['Ambient temperature'] # 滞后特征（关键！） for lag in [1, 2, 4, 24]: # 15min, 30min, 1h, 24h df[f'DC_LAG_{lag}'] = df['DC Power (kW)'].shift(lag) df[f'IRRAD_LAG_{lag}'] = df['Irradiation'].shift(lag) # 衍生特征（物理意义明确） df['TEMP_DIFF'] = df['MODULE_TEMP'] - df['AMBIENT_TEMP'] # 温升，反映散热能力 df['IRRAD_SQUARED'] = df['Irradiation'] ** 2 # 光伏功率近似与辐照度平方成正比 df['EFF'] = df['AC Power (kW)'] / df['DC Power (kW)'] # 效率，但注意：这是t时刻的，不能用作t时刻特征！ # 修正：EFF必须滞后！ df['EFF_LAG_1'] = df['EFF'].shift(1) # 时间特征（避免用绝对日期） df['HOUR'] = df.index.hour df['DAY_OF_WEEK'] = df.index.dayofweek df['IS_WEEKEND'] = (df['DAY_OF_WEEK'] >= 5).astype(int) return df # 步骤2：目标变量与特征对齐（防泄漏核心！） df_features = create_features(df) # 目标变量是DC Power at time t y = df_features['DC Power (kW)'].shift(-1) # 预测下一个时刻 # 特征矩阵X，必须只包含t时刻及之前的信息 feature_cols = [col for col in df_features.columns if col not in ['DC Power (kW)', 'AC Power (kW)', 'EFF']] X = df_features[feature_cols] # 步骤3：处理缺失值（光伏数据的痛点） # DC_LAG_24在开头24行是NaN，必须填充 X = X.fillna(method='ffill').fillna(method='bfill') # 先向前填，再向后填 y = y.dropna() X = X.iloc[len(X)-len(y):] # 对齐长度 # 步骤4：标准化（原文用MinMaxScaler，但要注意范围） from sklearn.preprocessing import MinMaxScaler scaler = MinMaxScaler(feature_range=(0, 1)) # 原文说0-1，但XGBoost对尺度不敏感，用StandardScaler更鲁棒 X_scaled = scaler.fit_transform(X) # 步骤5：Walk-forward验证（原文精髓） def walk_forward_validation(X, y, model, test_size=48): train_size = len(X) - test_size y_pred = np.zeros(test_size) for i in range(test_size): X_train = X[:train_size+i] y_train = y[:train_size+i] X_test = X[train_size+i:train_size+i+1] model.fit(X_train, y_train) y_pred[i] = model.predict(X_test)[0] return y_pred # 使用XGBoost from xgboost import XGBRegressor model_xgb = XGBRegressor( learning_rate=0.01, n_estimators=1200, subsample=0.8, colsample_bytree=1.0, colsample_bylevel=1.0, min_child_weight=20, max_depth=10, random_state=42 ) y_pred_xgb = walk_forward_validation(X_scaled, y, model_xgb)

注意：EFF_LAG_1是防泄漏的关键。如果你用t时刻的EFF，模型就学会了作弊。用t-1时刻的EFF，它就必须根据t-1时刻的AC/DC，去预测t时刻的DC，这才是真实的物理过程。

4.3 CNN-LSTM：从数据重塑到模型架构的深度解析

# 步骤1：数据重塑（原文的[samples, subsequences, timesteps, features]） # 我们设定：subsequence=1小时=4个15分钟点，timesteps=4，features=5（辐照、模块温、环境温、DC_LAG_1、EFF_LAG_1） def create_cnn_lstm_dataset(X, y, subseq_len=4, timesteps=4, features=5): X_cnn = [] y_cnn = [] # 滑动窗口，每次取subseq_len个连续的subsequence for i in range(len(X) - subseq_len * timesteps): # 取一个样本：subseq_len个subsequence，每个subsequence有timesteps个点 sample = X[i:(i + subseq_len * timesteps)].reshape(subseq_len, timesteps, features) X_cnn.append(sample) # 目标：预测这整个窗口之后的下一个DC值 y_cnn.append(y[i + subseq_len * timesteps]) return np.array(X_cnn), np.array(y_cnn) X_cnn, y_cnn = create_cnn_lstm_dataset(X_scaled, y) # 步骤2：构建CNN-LSTM模型（Encoder-Decoder） from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv1D, MaxPooling1D, LSTM, Dense, Dropout, TimeDistributed model_cnn_lstm = Sequential([ # CNN Encoder：对每个subsequence独立处理 TimeDistributed(Conv1D(filters=64, kernel_size=2, activation='relu'), input_shape=(None, timesteps, features)), TimeDistributed(MaxPooling1D(pool_size=2)), TimeDistributed(Dropout(0.2)), # LSTM Decoder：将CNN提取的subsequence特征序列化 LSTM(50, return_sequences=False), Dropout(0.2), # 输出层 Dense(1) ]) model_cnn_lstm.compile(optimizer='adam', loss='mse') # 步骤3：训练与10次重复（原文要求） mse_list = [] for run in range(10): # 每次训练都用不同的随机种子，确保结果可复现 tf.random.set_seed(42 + run) np.random.seed(42 + run) # 划分训练/验证集（注意：不能用shuffle！） split_idx = int(0.8 * len(X_cnn)) X_train, X_val = X_cnn[:split_idx], X_cnn[split_idx:] y_train, y_val = y_cnn[:split_idx], y_cnn[split_idx:] # 训练 history = model_cnn_lstm.fit( X_train, y_train, validation_data=(X_val, y_val), epochs=50, batch_size=32, verbose=0 ) # 预测测试集 y_pred_cnn = model_cnn_lstm.predict(X_cnn[-48:]) # 最后48个点用于测试 mse_run = mean_squared_error(y_cnn[-48:], y_pred_cnn.flatten()) mse_list.append(mse_run) final_mse = np.mean(mse_list)

提示：TimeDistributed层是CNN-LSTM的精髓。它让同一个CNN模型，被“复制”了subseq_len次，分别作用于每一个subsequence，从而实现了“共享权重”的局部模式提取。没有它，你就得手动循环，效率极低。

5. 结果分析与避坑指南：为什么XGBoost赢了，以及你绝不能忽视的3个真相

看表3，XGBoost以MSE=16.9、耗时1.43分钟胜出。但这个数字背后，藏着三个决定项目成败的真相，它们比MSE本身重要十倍。

5.1 真相一：模型性能的“场景依赖性”远大于“算法优越性”

XGBoost赢在48小时预测，但如果任务变成“预测未来7天的周发电量”，SARIMA很可能反超。为什么？因为XGBoost的特征DC_LAG_1、IRRAD_LAG_1，在7天尺度上会迅速衰减，失去信息量；而SARIMA的季节性参数P=6, Q=2，天生就编码了“周循环”的先验知识。同样，如果任务是“实时检测云影过境”，CNN-LSTM的局部卷积能力，会碾压其他两个模型。所以，不存在“最好的模型”，只有“最适合当前业务场景的模型”。你的选型，应该由业务需求倒推，而不是由论文热度驱动。实操心得：在项目启动时，就和业务方一起，把预测任务拆解成3-5个典型场景（如：日内滚动预测、周度计划预测、故障预警），然后为每个场景，单独评估模型。不要只汇报一个“综合MSE”。

5.2 真相二：运行时长（Runtime）不是技术指标，而是商业成本

1.43分钟听起来很快，但这是在一台现代CPU上跑单次预测。如果电站有1000个组件，每个组件都需要独立预测（模块级运维），XGBoost的总耗时就是1430分钟（近24小时），这显然无法接受。而SARIMA，由于其参数固定，可以预先计算好所有组件的p,d,q,P,D,Q，然后用向量化运算批量预测，1000个组件可能只要2分钟。所以，模型的“单次耗时”必须乘以“预测频次”和“预测对象数量”，才能得到真实的商业成本。我的经验是：对于高频、大批量的预测（如每15分钟预测1000个点），优先选SARIMA或轻量级XGBoost（n_estimators=200）；对于低频、高精度的预测（如每天一次，预测未来48小时），XGBoost是首选；CNN-LSTM，只在有GPU资源且追求极致精度时考虑。

5.3 真相三：误差分析比MSE数字更能揭示系统性缺陷

原文只给了MSE，但真正有价值的，是误差的分布。我强烈建议你做以下三件事：

1. 画误差时间序列图：把(y_true - y_pred)画出来。如果误差在正午前后系统性为负（预测偏低），说明模型低估了高温下的功率衰减，需要加强MODULE_TEMP的非线性特征（如添加MODULE_TEMP^2）；如果误差在清晨/傍晚系统性为正（预测偏高），说明模型高估了低辐照下的启动功率，需要加入“辐照度阈值”特征（如IRRADIATION > 50 ? 1 : 0）。

2. 按天气类型分组计算MSE：用天气API或卫星云图数据，把测试集分为“晴天”、“多云”、“阴天”。你会发现，XGBoost在晴天MSE=10，但在多云天MSE=45。这说明模型对瞬态扰动的鲁棒性不足，此时CNN-LSTM的“不确定性输出”就变得至关重要。

3. 做残差的ACF图：如果残差的ACF在lag=1处仍有显著相关性，说明模型没学好“一阶自相关”，需要增加DC_LAG_1的权重或尝试ARIMA残差修正。

常见问题速查表：

问题现象	最可能原因	排查与解决
SARIMA预测曲线整体漂移	d或D阶数错误，数据未真正平稳	重新做ADF检验，检查差分后序列的均值/方差是否随时间变化；用kpss检验作为补充
XGBoost在测试集上MSE暴增	特征泄漏（如用了AC_POWER或EFF的当前值）	用shap库分析特征贡献，看AC_POWER是否排前三；检查所有特征的shift()操作
CNN-LSTM训练loss震荡剧烈	学习率过大或batch size过小	将learning_rate从0.001降到0.0001；batch_size从16调到32；添加ReduceLROnPlateau回调
所有模型在阴雨天预测全军覆没	训练集缺乏阴雨天样本	主动从历史数据中筛选出连续3天以上的阴雨期，加入训练集；或用GAN生成阴雨天数据

6. 实战心得与延伸思考：一个光伏预测工程师的日常

写到这里，我想分享一点个人体会。做光伏预测三年，我最大的感悟是：你不是在训练一个模型，而是在搭建一座桥，一头连着冰冷的传感器数据，另一头连着温暖的业务决策。这座桥的每一块砖，都必须经得起物理定律和商业逻辑的双重拷问。

比如，那次我用XGBoost做出了漂亮的MSE=12.5，兴冲冲拿给电站经理看。他第一句话是：“这个预测，能告诉我明天下午三点，哪块板子最可能被云影盖住吗？”我愣住了。模型输出的是一个数字，而他需要的是一个坐标。这逼着我回过头，把CNN-LSTM的中间层特征图可视化，找到了那些对“辐照度突降”最敏感的卷积核，再把它反向映射到空间位置，最终做出了一个“云影风险热力图”。这个热力图，比MSE数字，让经理多签了两份运维合同。

再比如，原文中SP1逆变器效率只有9.76%，这在现实中几乎不可能——那台逆变器要么已经烧毁，要么数据采集器坏了。后来我查了原始数据，发现是单位搞错了：DC功率单位是kW，AC功率单位是W，所以EFF = AC/DC算出来是0.00976。一个单位错误，差点让整个分析方向跑偏。所以，在光伏领域，比模型更基础的，是单位制、数据字典、传感器校准证书。我现在的习惯是，拿到数据第一件事，不是写代码，而是打开Excel，把所有字段的物理含义、单位、量程、典型值、采集频率，一行行抄下来，再和电站的SCADA系统截图逐一对。

最后，关于这个项目的延伸。XGBoost赢了，但它的“黑箱”特性，让运维人员不敢全信。我的做法是，用SHAP值把每次预测的贡献度，生成一份“可解释性报告”，比如：“本次预测值为125.3kW，主要依据：1）过去1小时辐照度均值为850W/m²（贡献+42.1kW）；2）组件温度为48.2°C（贡献-8.7kW，因高温衰减）；3）昨日同时间功率