基于Seq2Seq与注意力机制的风机功率预测：从数据清洗到模型部署全流程

简介时间序列预测是工业数据分析与人工智能应用的核心领域之一旨在利用历史数据预测未来趋势。其基本原理是通过捕捉数据中的时序依赖与模式构建数学模型来推断后续值。在技术价值上精准的时序预测能优化资源配置、提升运营效率并支持智能决策。这一技术广泛应用于金融、能源、交通和物联网等多个场景。在能源领域特别是风电行业风机发电功率的预测对于电网稳定与经济效益至关重要。本文聚焦于利用深度学习中的编码器-解码器Seq2Seq架构结合注意力机制解决风机功率的超短期预测问题。文章深入探讨了针对风电SCADA数据的“三重过滤法”清洗流程以及如何构建包含滞后特征、滚动统计和空气密度修正等关键特征的工程实践为工业时序预测任务提供了从数据处理、模型选型LSTMAttention到训练调优及生产部署的完整解决方案。1. 项目缘起与核心价值最近在做一个风电场的能效评估项目发现一个挺有意思的痛点风机发电功率的预测尤其是超短期预测对电网调度和风电场自身的经济运行至关重要。传统的物理模型预测方法比如基于数值天气预报NWP数据再套用风机的功率曲线公式在复杂地形和天气突变面前准确率常常不尽如人意。误差一大要么导致弃风预测高了电网没准备那么多消纳能力要么就得让火电等其他电源临时顶上成本一下就上去了。于是我把目光投向了基于深度学习的时间序列预测。这玩意儿说白了就是让模型从历史的风速、功率等数据里自己“学习”出它们之间复杂的非线性关系甚至能捕捉到一些物理模型难以量化的局部微气象特征。我花了不少时间从数据清洗、特征工程到模型选型、训练调优完整地走了一遍流程最终搞出了一个还算靠谱的“基于深度学习的风机发电风速与功率预测系统”。今天我就把这个项目的Python源码和训练好的模型权重文件分享出来并详细拆解其中的每一个技术环节和踩过的坑。无论你是想复现这个项目还是想了解如何将深度学习应用于工业时序预测相信都能从中找到一些实用的参考。这个系统的核心目标是输入未来一段时间比如未来6小时以15分钟为间隔的预测风速、风向等气象特征系统能够输出对应的风机发电功率预测值。我们最终要得到一个可以直接调用的、带预训练权重的预测模型。2. 数据准备风电数据的“清洗”与“理解”任何机器学习项目数据都是地基。风电数据尤其“脏”缺失、异常、停机记录混杂在一起不处理好模型学到的全是噪声。2.1 数据来源与原始字段解析我使用的数据主要来自风电场SCADA系统通常包含以下字段每一行代表一个时间戳如每10秒或每分钟一条记录Timestamp: 时间戳这是所有时序数据的灵魂。WindSpeed(m/s): 轮毂高度处的风速。WindDirection(deg): 风向。Power(kW): 风机实际输出功率。RotorSpeed(rpm): 风机转速。PitchAngle(deg): 桨距角。Temperature(°C): 环境温度。Status: 风机状态码如0-正常1-停机2-故障3-限电。原始数据往往是海量的第一步就是按时间排序并处理可能的重复时间戳。2.2 数据清洗的“三重过滤法”清洗风电数据我总结了一套“三重过滤法”顺序不能乱第一重基于状态的硬过滤。这是最直接的一步。我们需要剔除风机非正常发电状态下的数据。通常Status字段不是“0”或特定发电状态码的记录都应该被移除。因为停机、故障或维护期间的风速-功率关系没有意义甚至会误导模型。第二重基于物理规则的软过滤。风机有一条理论上的“功率曲线”风速太低低于切入风速或太高高于切出风速时功率应为0在额定风速区间内功率与风速呈非线性增长关系。我们可以利用这个先验知识剔除明显违背物理规律的数据点。例如风速在切入风速以上但功率为0或极低可能是瞬时故障或通信中断。风速在切出风速以下但功率却接近额定功率可能是传感器故障。功率值超过风机铭牌额定功率过多。这里需要根据具体风机的参数切入风速、额定风速、切出风速、额定功率来设定合理的阈值范围。我通常会画一个风速-功率的散点图肉眼观察异常“飞点”然后设定规则过滤。第三重基于统计的异常值过滤。对于通过了前两重过滤的数据我们还需要处理那些“看起来合理但实则异常”的值。常用的方法是基于滑动窗口的统计量。例如计算每个点前后一小时窗口内功率的均值和标准差如果某个点的功率值与窗口均值之差超过3倍标准差则视为突变异常点予以剔除或平滑处理。风向数据也需要特殊处理因为它是0-360度的循环值直接计算差值会有问题比如359度和1度实际只差2度但直接相减是358度。处理时需转换为正弦(sin)和余弦(cos)分量。import pandas as pd import numpy as np def clean_wind_data(df, cut_in_speed3.0, rated_speed12.5, cut_out_speed25.0, rated_power2000): 风电数据清洗函数示例 df: 输入的原始DataFrame # 1. 按时间排序并去重 df[Timestamp] pd.to_datetime(df[Timestamp]) df df.sort_values(Timestamp).drop_duplicates(subset[Timestamp]).set_index(Timestamp) # 2. 第一重状态过滤 (假设状态码0为正常发电) df df[df[Status] 0].copy() # 3. 第二重物理规则过滤 # 风速低于切入风速功率应≈0允许小幅波动 mask_low (df[WindSpeed] cut_in_speed) (df[Power] rated_power * 0.05) # 风速在运行区间但功率为0可能是瞬时故障 mask_mid_zero (df[WindSpeed] cut_in_speed) (df[WindSpeed] cut_out_speed) (df[Power] 1) # 功率超过额定功率过多如1.2倍 mask_over df[Power] rated_power * 1.2 # 组合异常掩码 anomaly_mask mask_low | mask_mid_zero | mask_over df_clean df[~anomaly_mask].copy() # 4. 第三重统计异常值过滤以功率为例 # 计算滚动均值和标准差窗口大小例如6个数据点1小时如果10分钟一个点 window_size 6 rolling_mean df_clean[Power].rolling(windowwindow_size, centerTrue, min_periods1).mean() rolling_std df_clean[Power].rolling(windowwindow_size, centerTrue, min_periods1).std() # 定义动态阈值避免在数据平稳期过于敏感 threshold 3 * rolling_std # 找出偏离滚动均值超过阈值的点 stat_anomaly_mask np.abs(df_clean[Power] - rolling_mean) threshold # 用前后点的均值填充统计异常点或直接删除 df_clean.loc[stat_anomaly_mask, Power] np.nan df_clean[Power] df_clean[Power].interpolate(methodlinear) # 线性插值填充 # 5. 处理风向循环特征 df_clean[WindDirection_sin] np.sin(np.radians(df_clean[WindDirection])) df_clean[WindDirection_cos] np.cos(np.radians(df_clean[WindDirection])) return df_clean注意数据清洗没有银弹。上述阈值如3倍标准差、1.2倍额定功率需要根据具体数据分布进行调整。清洗后务必再次可视化确认异常点已被合理处理且没有误伤过多正常数据。2.3 特征工程为模型注入“先验知识”原始数据字段可以直接用但加入一些衍生特征能极大提升模型性能。这相当于把领域知识Domain Knowledge编码进数据里。时间特征风电具有明显的日周期性和年周期性。可以提取小时、月份、是否周末等。对于超短期预测小时和分钟周期尤为重要。滞后特征过去时刻的值对预测未来至关重要。可以创建风速、功率的滞后项lag features例如前1小时、前3小时的值。滚动统计特征过去一段时间窗口的统计量如过去1小时的平均风速、风速标准差、最大功率等能反映近期趋势和波动。空气密度修正功率与空气密度成正比而空气密度受温度和气压影响。虽然SCADA数据可能没有气压但可以用简化公式根据温度进行粗略修正空气密度 ≈ 1.225 * (288.15 / (Temperature 273.15))。将功率除以这个修正系数可以得到“标准空气密度”下的功率减少温度变化带来的影响。风速的变换风速与功率是非线性关系近似三次方。除了原始风速可以加入风速的平方、风速的立方作为特征帮助线性模型或浅层网络更好地拟合。def create_features(df, lag_hours6, roll_window6): 创建时序特征 df_feat df.copy() # 1. 时间特征 df_feat[hour] df_feat.index.hour df_feat[month] df_feat.index.month df_feat[dayofweek] df_feat.index.dayofweek # 2. 滞后特征 (假设数据是10分钟间隔lag_hours6意味着滞后36个点) lag_steps lag_hours * 6 # 根据你的数据频率调整 for lag in [1, lag_steps//2, lag_steps]: df_feat[fWindSpeed_lag_{lag}] df_feat[WindSpeed].shift(lag) df_feat[fPower_lag_{lag}] df_feat[Power].shift(lag) # 3. 滚动统计特征 df_feat[WindSpeed_roll_mean_1h] df_feat[WindSpeed].rolling(windowroll_window).mean() df_feat[WindSpeed_roll_std_1h] df_feat[WindSpeed].rolling(windowroll_window).std() df_feat[Power_roll_max_1h] df_feat[Power].rolling(windowroll_window).max() # 4. 空气密度粗略修正假设标准空气密度1.225 kg/m³ # 使用温度进行近似修正公式: rho 1.225 * (288.15 / (T 273.15)) df_feat[air_density_correction] 288.15 / (df_feat[Temperature] 273.15) df_feat[Power_corrected] df_feat[Power] / df_feat[air_density_correction] # 5. 风速变换 df_feat[WindSpeed_squared] df_feat[WindSpeed] ** 2 df_feat[WindSpeed_cubed] df_feat[WindSpeed] ** 3 # 删除因创建滞后和滚动特征产生的NaN行 df_feat df_feat.dropna() return df_feat特征工程后别忘了进行标准化或归一化。这对于梯度下降类算法包括深度学习的稳定和快速收敛至关重要。我通常使用StandardScaler减去均值除以标准差对特征进行标准化对目标变量功率使用MinMaxScaler缩放到[0,1]区间预测后再反变换回来。3. 模型选型与架构设计为什么是Seq2Seq预测未来多个时间点的功率本质上是一个多步时间序列预测问题。常见的思路有直接多步输出用一个模型如LSTM、CNN一次性输出未来所有时间点的预测值。缺点是对于长序列预测误差会累积且模型难以学习长程依赖。递归多步预测用模型预测下一个时间点然后将预测值作为输入的一部分再预测下下个点如此递归。同样存在误差累积放大的问题。编码器-解码器Seq2Seq结构这是目前处理序列到序列任务的经典架构特别适合我们这种“已知历史序列预测未来序列”的场景。我选择了基于注意力机制的Seq2Seq模型具体来说是LSTM作为编码器和解码器加上Bahdanau注意力机制。下面详细解释为什么这么选以及如何实现。3.1 Seq2Seq模型的工作原理可以把编码器看作一个“阅读理解”模块它把输入的历史序列比如过去24小时的风速、功率等特征压缩成一个固定长度的上下文向量Context Vector这个向量理论上包含了输入序列的全部信息。解码器则是一个“写作”模块它根据这个上下文向量一步一步地生成未来的功率序列。但是经典Seq2Seq有个问题无论输入序列多长都被压缩成一个固定维度的向量这就像要求你用一句话总结一本长篇小说信息损失严重尤其是对长序列。注意力机制Attention应运而生。它允许解码器在生成每一个未来时间点的功率时动态地“回顾”编码器所有时间步的隐藏状态并给予其中某些时间步更多的“注意力”。比如在预测未来第1小时的功率时模型可能会更关注输入序列中最近几小时的状态而在预测未来第6小时的功率时它可能会去关注输入序列中具有类似日周期模式的那个时段的状态。3.2 模型架构的PyTorch实现详解下面是用PyTorch搭建的带注意力机制的Seq2Seq模型核心代码。我假设输入特征维度是input_size例如风速、风向sin/cos、温度、时间特征等输出是未来output_size个时间点的功率值单变量预测也可以扩展为多变量。import torch import torch.nn as nn import torch.nn.functional as F class EncoderLSTM(nn.Module): def __init__(self, input_size, hidden_size, num_layers2, dropout0.1): super(EncoderLSTM, self).__init__() self.hidden_size hidden_size self.num_layers num_layers self.lstm nn.LSTM(input_size, hidden_size, num_layers, batch_firstTrue, dropoutdropout if num_layers1 else 0) def forward(self, x): # x shape: (batch_size, seq_len, input_size) outputs, (hidden, cell) self.lstm(x) # outputs: (batch_size, seq_len, hidden_size) # hidden/cell: (num_layers, batch_size, hidden_size) return outputs, (hidden, cell) class Attention(nn.Module): Bahdanau Additive Attention def __init__(self, hidden_size): super(Attention, self).__init__() self.Wa nn.Linear(hidden_size, hidden_size) self.Ua nn.Linear(hidden_size, hidden_size) self.Va nn.Linear(hidden_size, 1) def forward(self, decoder_hidden, encoder_outputs): # decoder_hidden: (batch_size, hidden_size) 解码器当前时刻的隐藏状态 # encoder_outputs: (batch_size, src_len, hidden_size) src_len encoder_outputs.shape[1] # 将decoder_hidden重复src_len次以便与每个encoder输出计算注意力 decoder_hidden_repeated decoder_hidden.unsqueeze(1).repeat(1, src_len, 1) # (batch, src_len, hidden) # 计算注意力能量 e_ij Va * tanh(Wa * encoder_output Ua * decoder_hidden) energy torch.tanh(self.Wa(encoder_outputs) self.Ua(decoder_hidden_repeated)) attention_scores self.Va(energy).squeeze(-1) # (batch, src_len) # 计算注意力权重 attention_weights F.softmax(attention_scores, dim1) # (batch, src_len) # 计算上下文向量encoder_outputs的加权和 context_vector torch.bmm(attention_weights.unsqueeze(1), encoder_outputs) # (batch, 1, hidden) context_vector context_vector.squeeze(1) # (batch, hidden) return context_vector, attention_weights class DecoderLSTMWithAttention(nn.Module): def __init__(self, output_size, hidden_size, num_layers2, dropout0.1): super(DecoderLSTMWithAttention, self).__init__() self.hidden_size hidden_size self.output_size output_size # 对于功率预测output_size1单步输出 self.num_layers num_layers # 解码器LSTM的输入是 [上一时刻的预测功率, 上下文向量] self.lstm nn.LSTM(output_size hidden_size, hidden_size, num_layers, batch_firstTrue, dropoutdropout if num_layers1 else 0) self.attention Attention(hidden_size) # 全连接层将LSTM输出映射到预测功率 self.fc_out nn.Linear(hidden_size, output_size) def forward(self, decoder_input, hidden, cell, encoder_outputs): # decoder_input: (batch_size, 1, output_size) 初始为0或最后一个真实值 # hidden, cell: (num_layers, batch_size, hidden_size) 编码器最后的隐状态 # encoder_outputs: (batch_size, src_len, hidden_size) # 将编码器最后的隐状态作为解码器初始隐状态 decoder_hidden hidden[-1].unsqueeze(0) # 取最后一层并调整形状以匹配解码器层数这里简化实际需处理多层 decoder_cell cell[-1].unsqueeze(0) # 存储预测序列 predictions [] attention_weights_list [] # 自回归解码一步步预测 for t in range(self.output_size): # 这里output_size指预测步长注意与输出维度区分为清晰起见可改为prediction_steps # 计算注意力上下文向量 context_vector, attn_weights self.attention(decoder_hidden.squeeze(0), encoder_outputs) attention_weights_list.append(attn_weights) # 将上下文向量与解码器输入拼接 lstm_input torch.cat([decoder_input, context_vector.unsqueeze(1)], dim-1) # (batch, 1, output_sizehidden) # 通过LSTM单元 output, (decoder_hidden, decoder_cell) self.lstm(lstm_input, (decoder_hidden, decoder_cell)) # 预测当前步的功率 prediction self.fc_out(output.squeeze(1)) # (batch, 1) predictions.append(prediction.unsqueeze(1)) # 保持(batch, 1, 1)形状便于后续拼接 # 将当前预测值作为下一时刻的输入Teacher Forcing在训练时使用推理时用自身预测值 decoder_input prediction.unsqueeze(1) # (batch, 1, 1) predictions torch.cat(predictions, dim1) # (batch, prediction_steps, 1) attention_weights torch.stack(attention_weights_list, dim1) # (batch, prediction_steps, src_len) return predictions, attention_weights class Seq2SeqWindPowerPredictor(nn.Module): def __init__(self, encoder, decoder): super(Seq2SeqWindPowerPredictor, self).__init__() self.encoder encoder self.decoder decoder def forward(self, src, trg, teacher_forcing_ratio0.5): # src: 源序列 (batch, src_len, input_feature_size) # trg: 目标序列 (batch, trg_len, 1) 训练时用用于Teacher Forcing batch_size src.shape[0] trg_len trg.shape[1] if trg is not None else self.decoder.output_size # 推理时trg为None # 编码 encoder_outputs, (hidden, cell) self.encoder(src) # 解码器初始输入全零或源序列最后一个功率值需要从特征中提取或单独传入 # 这里简化处理使用全零 decoder_input torch.zeros(batch_size, 1, 1).to(src.device) # 解码 predictions, attention_weights self.decoder(decoder_input, hidden, cell, encoder_outputs) return predictions, attention_weights关键点解析与避坑经验输入输出维度注意区分input_size特征数、output_size预测步长即未来多少点、以及解码器LSTM的输入维度output_size hidden_size这里的output_size指预测值的维度功率预测是1。在代码中变量命名需清晰避免混淆。我上面的示例为了简化在DecoderLSTMWithAttention的forward中用self.output_size既表示网络输出维度1又表示循环步数这在实际代码中需要拆分成两个参数。Teacher Forcing在训练时为了加速收敛我们不会总用解码器自己上一步的预测值作为下一步的输入而是以一定概率teacher_forcing_ratio使用真实目标序列的值作为输入。这能防止错误在早期训练中累积。但在推理预测时必须使用自回归方式即用自己的预测值作为下一步输入。上面的Seq2SeqWindPowerPredictor.forward函数简化了这一点实际训练循环中需要在每一步判断是否使用teacher forcing。注意力权重的可视化attention_weights是一个非常有用的副产品。训练后你可以可视化在预测某个未来时刻时模型更关注历史序列的哪些部分。这不仅能增加模型的可解释性还能帮你验证模型是否学到了合理的模式例如预测明天下午的功率是否更关注昨天下午的历史数据。多层LSTM的隐状态传递编码器和解码器如果都是多层LSTM需要注意隐状态(hidden, cell)的传递。编码器最后一层的隐状态通常作为解码器第一层的初始隐状态。对于多层解码器更高层的初始隐状态可以初始化为零或通过一个线性层从编码器隐状态变换得到。上面的示例代码对此进行了简化。梯度消失与梯度爆炸LSTM本身缓解了梯度消失但在深度网络中仍需注意。可以使用梯度裁剪torch.nn.utils.clip_grad_norm_来防止梯度爆炸。同时合适的初始化如Xavier初始化和归一化层如LayerNorm也有帮助。4. 模型训练、调优与评估实战有了模型架构接下来就是训练。这个过程充满了“炼丹”的乐趣和痛苦。4.1 数据加载与序列构造时间序列数据不能像图像一样随机打乱必须保持时间顺序。我们采用滑动窗口的方法来构造样本。输入序列X选取连续的一段历史数据例如过去24小时144个点如果10分钟一个点。输出序列y选取紧接着未来一段时间的数据例如未来6小时36个点的功率值。滑动步长可以设为1以最大化数据利用率。我们需要创建一个自定义的PyTorchDataset。from torch.utils.data import Dataset, DataLoader class WindPowerDataset(Dataset): def __init__(self, feature_array, target_array, input_seq_len144, output_seq_len36, stride1): feature_array: 标准化后的特征数组 (num_samples, num_features) target_array: 标准化后的功率目标数组 (num_samples, 1) self.features feature_array self.targets target_array self.input_seq_len input_seq_len self.output_seq_len output_seq_len self.stride stride # 计算可生成的样本总数 self.length (len(feature_array) - input_seq_len - output_seq_len) // stride 1 def __len__(self): return self.length def __getitem__(self, idx): start_idx idx * self.stride end_idx start_idx self.input_seq_len # 输入特征序列 src self.features[start_idx:end_idx] # 输出目标序列 (功率) tgt self.targets[end_idx:end_idx self.output_seq_len] return torch.FloatTensor(src), torch.FloatTensor(tgt) # 划分训练集、验证集、测试集按时间顺序 total_len len(features) train_ratio, val_ratio 0.7, 0.15 train_end int(total_len * train_ratio) val_end train_end int(total_len * val_ratio) train_dataset WindPowerDataset(features[:train_end], targets[:train_end]) val_dataset WindPowerDataset(features[train_end:val_end], targets[train_end:val_end]) test_dataset WindPowerDataset(features[val_end:], targets[val_end:]) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) # 训练集可以shuffle val_loader DataLoader(val_dataset, batch_size64, shuffleFalse) test_loader DataLoader(test_dataset, batch_size64, shuffleFalse)注意shuffleTrue只针对训练集。验证集和测试集必须保持时间顺序才能模拟真实的滚动预测场景。4.2 训练循环与超参数调优训练循环是标准流程但有几个细节需要特别注意损失函数对于回归问题常用均方误差MSE或平均绝对误差MAE。MSE对大的误差惩罚更重可能会使模型更倾向于预测保守的均值。MAE更稳健。我通常从MSE开始如果发现预测曲线过于平滑可以尝试MAE或Huber Loss结合了MSE和MAE的优点。优化器Adam是默认选择学习率lr是关键。可以从1e-3或3e-4开始。学习率调度使用ReduceLROnPlateau调度器当验证集损失在若干epoch内不再下降时自动降低学习率有助于模型跳出局部最优。早停Early Stopping持续监控验证集损失。如果连续多个epoch如10个验证损失没有下降则停止训练并回滚到验证损失最低的模型权重。这是防止过拟合的最有效手段之一。import torch.optim as optim from torch.optim.lr_scheduler import ReduceLROnPlateau def train_model(model, train_loader, val_loader, num_epochs, device, teacher_forcing_ratio0.5): model.to(device) criterion nn.MSELoss() optimizer optim.Adam(model.parameters(), lr0.001) scheduler ReduceLROnPlateau(optimizer, modemin, factor0.5, patience5, verboseTrue) best_val_loss float(inf) patience_counter 0 patience 10 for epoch in range(num_epochs): model.train() train_loss 0 for batch_idx, (src, tgt) in enumerate(train_loader): src, tgt src.to(device), tgt.to(device) optimizer.zero_grad() # 前向传播使用teacher forcing predictions, _ model(src, tgt, teacher_forcing_ratioteacher_forcing_ratio) loss criterion(predictions, tgt) loss.backward() # 梯度裁剪防止爆炸 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() train_loss loss.item() avg_train_loss train_loss / len(train_loader) # 验证阶段 model.eval() val_loss 0 with torch.no_grad(): for src, tgt in val_loader: src, tgt src.to(device), tgt.to(device) # 推理时teacher_forcing_ratio0 predictions, _ model(src, None, teacher_forcing_ratio0) loss criterion(predictions, tgt) val_loss loss.item() avg_val_loss val_loss / len(val_loader) scheduler.step(avg_val_loss) print(fEpoch {epoch1:03d} | Train Loss: {avg_train_loss:.6f} | Val Loss: {avg_val_loss:.6f}) # 早停与模型保存 if avg_val_loss best_val_loss: best_val_loss avg_val_loss patience_counter 0 # 保存最佳模型权重 torch.save(model.state_dict(), best_wind_power_model.pth) print(f - Best model saved with Val Loss: {best_val_loss:.6f}) else: patience_counter 1 if patience_counter patience: print(fEarly stopping triggered at epoch {epoch1}) break超参数调优经验input_seq_len输入序列长度太短则信息不足太长则训练慢且可能引入噪声。对于超短期预测未来6小时过去24-48小时的历史数据通常足够。可以通过实验选择观察验证集损失。hidden_sizeLSTM隐藏层维度越大模型容量越大但也更容易过拟合。可以从128或256开始尝试。num_layersLSTM层数1-3层通常足够。层数越多非线性能力越强但也更难训练。对于风电数据2层是个不错的起点。dropout在LSTM层之间或全连接层之后加入Dropout是防止过拟合的有效手段。比例通常在0.1到0.3之间。batch_size在GPU内存允许的情况下适当调大如64, 128有助于稳定训练。太小可能导致梯度更新噪声大。4.3 模型评估不止看Loss训练完成后在独立的测试集上进行评估。不能只看MSE或MAE因为一个数字无法反映预测的全貌。可视化对比将测试集上多条序列的真实功率曲线和预测功率曲线画在一起。这是最直观的方法可以看到模型是系统性高估/低估还是在波动剧烈时预测不准。误差分布绘制预测误差真实值-预测值的直方图。理想的误差分布应该是以0为中心的正态分布。如果分布有偏说明模型存在系统性偏差。关键指标均方根误差RMSE与目标变量同量纲更直观。RMSE sqrt(MSE)。平均绝对百分比误差MAPEMAPE mean(|(真实-预测)/真实|) * 100%。注意当真实值为0或接近0时MAPE会趋于无穷大风电功率在低风速时接近0所以使用MAPE要小心可以只计算功率大于某个阈值如额定功率5%时的MAPE。决定系数R²表示模型对数据波动的解释程度越接近1越好。运行时间记录模型在CPU/GPU上对单个样本进行预测所需的时间。这对于在线预测系统的实时性要求很重要。def evaluate_model(model, test_loader, device, scaler_target): model.eval() criterion nn.MSELoss() total_loss 0 all_preds [] all_trues [] with torch.no_grad(): for src, tgt in test_loader: src, tgt src.to(device), tgt.to(device) predictions, _ model(src, None, teacher_forcing_ratio0) # 推理模式 loss criterion(predictions, tgt) total_loss loss.item() # 反标准化还原为真实功率值 preds_np predictions.cpu().numpy() trues_np tgt.cpu().numpy() # 假设scaler_target是用于目标变量的MinMaxScaler preds_original scaler_target.inverse_transform(preds_np.reshape(-1, 1)).reshape(preds_np.shape) trues_original scaler_target.inverse_transform(trues_np.reshape(-1, 1)).reshape(trues_np.shape) all_preds.append(preds_original) all_trues.append(trues_original) avg_test_loss total_loss / len(test_loader) all_preds np.vstack(all_preds) all_trues np.vstack(all_trues) # 计算各项指标 rmse np.sqrt(np.mean((all_trues - all_preds) ** 2)) mae np.mean(np.abs(all_trues - all_preds)) # 计算R² ss_res np.sum((all_trues - all_preds) ** 2) ss_tot np.sum((all_trues - np.mean(all_trues)) ** 2) r2 1 - (ss_res / ss_tot) print(fTest RMSE: {rmse:.2f} kW) print(fTest MAE: {mae:.2f} kW) print(fTest R²: {r2:.4f}) # 可视化其中几条序列 import matplotlib.pyplot as plt fig, axes plt.subplots(2, 2, figsize(12, 8)) axes axes.ravel() for i in range(4): idx i * 50 # 选择测试集中的一些样本 axes[i].plot(all_trues[idx], labelTrue Power, linewidth2) axes[i].plot(all_preds[idx], labelPredicted Power, linestyle--, linewidth2) axes[i].set_title(fTest Sample {idx}) axes[i].set_xlabel(Time Step (future)) axes[i].set_ylabel(Power (kW)) axes[i].legend() axes[i].grid(True, linestyle--, alpha0.5) plt.tight_layout() plt.show() return rmse, mae, r2, all_preds, all_trues5. 部署与使用将模型投入生产训练好的模型最终要用于实际预测。这意味着我们需要一个完整的推理管道。5.1 构建端到端预测Pipeline一个健壮的预测Pipeline应该包含以下步骤数据获取从数据库或API实时获取最新的SCADA数据和NWP预测数据。数据预处理复用训练时完全相同的清洗、特征工程、标准化流程。这里有个大坑必须保存训练时使用的StandardScaler和MinMaxScaler的mean_、scale_等参数在推理时用它们来变换新数据而不是重新拟合。构造输入序列按照训练时定义的input_seq_len截取最新的历史数据构造出模型需要的输入张量。模型推理加载保存的模型权重state_dict将输入张量传入模型得到预测结果。结果后处理将模型输出的标准化功率值用保存的MinMaxScaler进行反标准化得到真实的功率值kW。可能还需要进行合理性检查如功率不应为负不应超过额定功率过多。结果输出将预测结果写入数据库、发送到消息队列或通过API返回。import joblib # 用于保存scaler import torch class WindPowerPredictor: def __init__(self, model_path, scaler_features_path, scaler_target_path, input_seq_len144, devicecpu): self.device torch.device(device) # 1. 加载模型架构和权重 self.model self._load_model(model_path).to(self.device) self.model.eval() # 2. 加载标准化器 self.scaler_features joblib.load(scaler_features_path) self.scaler_target joblib.load(scaler_target_path) self.input_seq_len input_seq_len def _load_model(self, model_path): # 需要知道模型的结构参数这里假设我们保存了模型类定义和状态字典 # 更稳健的做法是连同模型结构一起保存例如使用torch.save的整个模型 # 这里演示加载state_dict并重建模型 # 假设我们有全局的模型定义和参数 INPUT_SIZE 10 # 示例特征数量 HIDDEN_SIZE 256 OUTPUT_STEPS 36 encoder EncoderLSTM(INPUT_SIZE, HIDDEN_SIZE) decoder DecoderLSTMWithAttention(output_size1, hidden_sizeHIDDEN_SIZE) # 注意这里的output_size是预测值维度 model Seq2SeqWindPowerPredictor(encoder, decoder) model.load_state_dict(torch.load(model_path, map_locationself.device)) return model def predict(self, recent_raw_data_df): recent_raw_data_df: 包含最近input_seq_len时间点的原始数据DataFrame # 1. 数据清洗 (使用与训练相同的函数) df_clean clean_wind_data(recent_raw_data_df.copy()) # 2. 特征工程 (使用与训练相同的函数) df_feat create_features(df_clean) # 3. 选择用于模型的特征列并确保顺序与训练时一致 feature_columns [WindSpeed, WindDirection_sin, WindDirection_cos, Temperature, hour_sin, hour_cos, WindSpeed_roll_mean_1h, ...] # 你的特征列表 # 确保数据长度足够 if len(df_feat) self.input_seq_len: raise ValueError(fInput data length ({len(df_feat)}) is less than required sequence length ({self.input_seq_len})) # 取最后input_seq_len个点 input_features df_feat[feature_columns].iloc[-self.input_seq_len:].values # 4. 标准化特征 input_features_scaled self.scaler_features.transform(input_features) # 转换为模型输入张量 (1, seq_len, input_size) input_tensor torch.FloatTensor(input_features_scaled).unsqueeze(0).to(self.device) # 5. 模型推理 with torch.no_grad(): predictions_scaled, _ self.model(input_tensor, None, teacher_forcing_ratio0) # 6. 反标准化预测结果 predictions self.scaler_target.inverse_transform(predictions_scaled.cpu().numpy().reshape(-1, 1)) # 重塑为 (output_steps, ) predictions predictions.flatten() # 7. 可选后处理如钳位到合理范围 predictions np.clip(predictions, 0, RATED_POWER * 1.05) # 假设额定功率为RATED_POWER return predictions # 使用示例 # predictor WindPowerPredictor(best_wind_power_model.pth, # scaler_features.pkl, # scaler_target.pkl, # devicecuda if torch.cuda.is_available() else cpu) # new_data get_recent_data_from_db(hours48) # 获取最近48小时数据 # forecast_power predictor.predict(new_data) # print(f未来6小时功率预测 (kW): {forecast_power})5.2 权重文件与源码结构在提供的项目源码中除了主要的模型定义、训练、预测脚本还应包含以下关键文件requirements.txt: 列出所有依赖包及版本如torch1.13.1,pandas1.5.3,scikit-learn1.2.2确保环境可复现。data_preprocessing.py: 包含数据清洗、特征工程、数据集构建的所有函数。model.py: Seq2Seq模型及其组件的类定义。train.py: 完整的训练脚本包含数据加载、训练循环、验证、早停和模型保存逻辑。predict.py: 部署用的预测脚本或类定义如上面的WindPowerPredictor。config.yaml(可选): 将超参数如input_seq_len,hidden_size,learning_rate集中管理便于调优和复现。best_wind_power_model.pth: 训练好的模型权重文件。scaler_features.pkl和scaler_target.pkl: 保存的特征和目标变量标准化器。一个重要的经验在保存模型时除了state_dict最好也把模型的结构参数如input_size,hidden_size等一起保存下来例如保存在一个字典里这样在加载时就可以动态重建模型避免硬编码。可以使用torch.save({model_state_dict: model.state_dict(), config: model_config}, model_checkpoint.pth)。5.3 持续优化与模型更新模型部署不是终点。风电场的环境、风机性能都会随时间变化如叶片磨损、周围新建建筑。因此模型需要定期用新数据重新训练或微调Fine-tuning。可以设置一个自动化流程每周或每月收集新的运行数据。用新数据或新旧数据混合对已有模型进行少量epoch的微调而不是从头训练。在验证集上评估新模型如果性能有提升则更新生产环境的模型权重。这个过程称为在线学习或持续学习是保持预测系统长期有效的关键。整个项目从数据到部署的链路很长每一步都有细节需要注意。我分享的这个框架和代码已经包含了核心部分和主要的避坑点。在实际应用中你可能还需要根据具体风电场的数据特点进行微调比如特征的选择、模型深度的调整、损失函数的优化等。希望这份详细的拆解能帮你少走弯路更快地构建出属于自己的风机功率预测系统。本文还有配套的精品资源点击获取