基于機(jī)器學(xué)習(xí)的風(fēng)光功率預(yù)測(cè)系統(tǒng)研究

中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2025）13-0113-05

Abstract：Withtherapiddevelopmentofrenewableenergytechnologies，addressingtheinherentstochasticity，fluctuations， andintermitencyofwindandsolarpowergenerationthroughadvancedartificialinteligencehasbecomecriticalforindustry advanceent.Thisstudyproposesasmaitintegrated，andonestopforecastingsystemarchitecturecomprisingtwocoreodules： amachinelearningalgorithmmanagementplatformformodeldevelopmentandoptimization，andaforecastingsupportservice platformforoperationaldecision-making.Thesystemprovidesend-to-endtechnicalsupportspanningmodeltraining，algorithm selection，scenario-specificservices，energytradingassistance，andbenefitalocationmechanisms.Byenablingnationwidesharing ofdataresources，optimizedalgorithms，andcloudplatforms，thisframeworkofersanovelsolutiontoenhanceprediction accuracy，timeliness，and grid integration efficiency for hybrid renewable energy systems.

Keywords： machine learning; wind power; solar power; power forecasting; system

近年來(lái)，隨著全球氣候變化的日益嚴(yán)峻，人們對(duì)減少二氧化碳排放的需求不斷增長(zhǎng)，截至2024年底，我國(guó)以風(fēng)電、太陽(yáng)能發(fā)電為主的新能源發(fā)電裝機(jī)規(guī)模達(dá)到 ，首次超過(guò)火電裝機(jī)規(guī)模。構(gòu)建以新能源為主體的新型電力系統(tǒng)，持續(xù)推進(jìn)能源綠色轉(zhuǎn)型和“雙碳”戰(zhàn)略，主要涵蓋能源生產(chǎn)、供給、消費(fèi)和安全保障等全生命周期，內(nèi)涵非常豐富，包括但不限于以非化石能源為主的能源生產(chǎn)體系，以新型電力系統(tǒng)為主要特征的能源供給體系，以綠色、智慧、低碳為主要特征的能源消費(fèi)體系，以及穩(wěn)定可靠的能源安全保障體系，這4個(gè)關(guān)鍵環(huán)節(jié)均與天氣氣候密切相關(guān)。

由于風(fēng)光等新能源具有隨機(jī)性、波動(dòng)性和間歇性的特點(diǎn)，當(dāng)大規(guī)模的風(fēng)力、光伏發(fā)電站接入電網(wǎng)中，不穩(wěn)定性的發(fā)電特點(diǎn)及棄風(fēng)棄光的低利用率現(xiàn)象給電網(wǎng)調(diào)度上帶來(lái)了巨大影響2，亟需更為精準(zhǔn)的風(fēng)光電功率預(yù)測(cè)技術(shù)作為基礎(chǔ)支持3。機(jī)器學(xué)習(xí)算法具有自動(dòng)化、高效率、可塑性和普適性強(qiáng)等優(yōu)點(diǎn)，可通過(guò)學(xué)習(xí)從大量數(shù)據(jù)中自動(dòng)獲取規(guī)律并利用所得的規(guī)律對(duì)新數(shù)據(jù)進(jìn)行分類及預(yù)測(cè)。黃萬(wàn)超利用多種機(jī)器學(xué)習(xí)方法，如隨機(jī)森林、極限學(xué)習(xí)、支持向量機(jī)和深度學(xué)習(xí)等，為風(fēng)電場(chǎng)和光伏系統(tǒng)的規(guī)劃、運(yùn)營(yíng)與管理提供了新的思路和技術(shù)支持。孫榮富等@利用“機(jī)器學(xué)習(xí) + 數(shù)據(jù)庫(kù)\"的數(shù)據(jù)挖掘技術(shù)提高短期功率預(yù)測(cè)精度。寇金弛設(shè)計(jì)了基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)系統(tǒng)，為調(diào)度端和電力交易用戶提供技術(shù)支持。李潤(rùn)澤改進(jìn)深度學(xué)習(xí)模型用于新能源發(fā)電功率，有效提高了長(zhǎng)時(shí)間序列的發(fā)電功率預(yù)測(cè)精度。

隨著人工智能技術(shù)的迅猛發(fā)展，機(jī)器學(xué)習(xí)已經(jīng)廣泛應(yīng)用于新型能源體系。本文利用機(jī)器學(xué)習(xí)等先進(jìn)技術(shù)，研究建立數(shù)智化、集約化、一站式風(fēng)光功率預(yù)測(cè)系統(tǒng)，實(shí)現(xiàn)從模型研發(fā)、算法優(yōu)選到場(chǎng)景服務(wù)、交易支持和收益分配的全鏈條、全流程支撐，為構(gòu)建開放、創(chuàng)新、協(xié)同的新型能源體系生態(tài)系統(tǒng)，提供新的思路和技術(shù)支持。

1總體設(shè)計(jì)

1.1 系統(tǒng)組成

風(fēng)光功率預(yù)測(cè)系統(tǒng)主要分為機(jī)器學(xué)習(xí)算法管理平臺(tái)和預(yù)報(bào)支撐服務(wù)平臺(tái)2部分，實(shí)現(xiàn)組件在線開發(fā)、可視化交互模型搭建，基于檢驗(yàn)評(píng)估結(jié)果的自動(dòng)優(yōu)選、模型評(píng)價(jià)，具備全流程的統(tǒng)計(jì)、監(jiān)控、報(bào)警功能，提供數(shù)據(jù)、算法、平臺(tái)的全國(guó)共享共用。系統(tǒng)組成如圖1所示。

機(jī)器學(xué)習(xí)算法管理平臺(tái)通過(guò)數(shù)據(jù)探索快速建立標(biāo)簽數(shù)據(jù)，為功率預(yù)測(cè)挖掘數(shù)據(jù)特征提供支撐，支持對(duì)數(shù)據(jù)的管理和檢索。通過(guò)模型工廠實(shí)現(xiàn)預(yù)報(bào)訂正算法模型池構(gòu)建，支持用戶界面可視化交互模型構(gòu)建，并支持包括原子組件和組合組件的多層次建模方式。支持面向不同用戶應(yīng)用建立不同的評(píng)估體系，實(shí)現(xiàn)基于評(píng)估結(jié)果的算法模型優(yōu)選。

預(yù)報(bào)支撐服務(wù)平臺(tái)提供數(shù)據(jù)源分析、子模型對(duì)比分析、預(yù)報(bào)誤差分析功能，支持從數(shù)據(jù)到模型組件算法及預(yù)報(bào)結(jié)果的全鏈條分析。通過(guò)應(yīng)用分析、配置管理、運(yùn)行監(jiān)控實(shí)現(xiàn)采集存儲(chǔ)、分析統(tǒng)計(jì)、交互展示，提供對(duì)數(shù)據(jù)源分析、子模型對(duì)比分析、預(yù)報(bào)誤差和模擬預(yù)測(cè)等業(yè)務(wù)功能的支撐。

1.2 總體架構(gòu)

系統(tǒng)總體架構(gòu)從上到下依次為應(yīng)用端、云端PaaS、云端IaaS三層，云端依托氣象大數(shù)據(jù)云平臺(tái)“天擎”支撐，基于氣象觀測(cè)數(shù)據(jù)應(yīng)用業(yè)務(wù)標(biāo)準(zhǔn)和氣象綜合業(yè)務(wù)監(jiān)控與運(yùn)維體系開展系統(tǒng)建設(shè)，如圖2所示。

1）應(yīng)用端：主要實(shí)現(xiàn)應(yīng)用和服務(wù)。采用B/S架構(gòu)，利用基于JavaScript的WebGIS框架平臺(tái)，實(shí)現(xiàn)多源數(shù)據(jù)的疊加顯示、空間分析、數(shù)據(jù)產(chǎn)品采集分發(fā)等功能。通過(guò)WebGIS服務(wù)器響應(yīng)空間數(shù)據(jù)和屬性數(shù)據(jù)請(qǐng)求，對(duì)空間數(shù)據(jù)進(jìn)行分析和控制，同時(shí)利用應(yīng)用網(wǎng)關(guān)、遠(yuǎn)程服務(wù)與業(yè)務(wù)數(shù)據(jù)庫(kù)進(jìn)行交互，完成業(yè)務(wù)數(shù)據(jù)的查詢。

2）云端PaaS：主要分為數(shù)據(jù)層、算法層和業(yè)務(wù)層，基于云架構(gòu)設(shè)計(jì)。數(shù)據(jù)層基于氣象大數(shù)據(jù)云平臺(tái)提供基礎(chǔ)的數(shù)據(jù)存儲(chǔ)服務(wù)，集成了星地空一體化氣象觀測(cè)數(shù)據(jù)，以及GIS數(shù)據(jù)等基礎(chǔ)數(shù)據(jù)，為開展風(fēng)光功率預(yù)測(cè)提供數(shù)據(jù)支持。算法層包含數(shù)據(jù)質(zhì)控訂正、檢驗(yàn)評(píng)估、降尺度、大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)等多種算法，為開展數(shù)據(jù)質(zhì)量評(píng)估和分析應(yīng)用提供算法支撐。業(yè)務(wù)層包含數(shù)據(jù)偏差訂正、模型優(yōu)選組合、評(píng)估分析等應(yīng)用功能，基于氣象服務(wù)綜合分析應(yīng)用平臺(tái)提供的產(chǎn)品和功能支撐，為數(shù)據(jù)、算法、平臺(tái)的全國(guó)共享共用提供支撐服務(wù)。

3）云端IaaS：主要為基礎(chǔ)設(shè)施層，包含云端的虛擬資源池、分布式物理資源池和數(shù)據(jù)存儲(chǔ)池等，以為支撐業(yè)務(wù)運(yùn)行、業(yè)務(wù)備份、業(yè)務(wù)測(cè)試而劃分的業(yè)務(wù)資源池、備份資源池和仿真資源池。項(xiàng)目總體架構(gòu)如圖2所示。

2 系統(tǒng)功能

2.1機(jī)器學(xué)習(xí)算法管理平臺(tái)

機(jī)器學(xué)習(xí)算法管理平臺(tái)包含數(shù)據(jù)預(yù)處理、預(yù)報(bào)模型分析與評(píng)價(jià)、預(yù)報(bào)算法組件及示范算法和預(yù)報(bào)模型集成優(yōu)選等模塊，實(shí)現(xiàn)數(shù)據(jù)集管理、算法超市、模型評(píng)價(jià)應(yīng)用等功能，如圖3所示。

應(yīng)用端 風(fēng)光功率預(yù)測(cè)Web應(yīng)用 =本地化綜合 輸電密集通道 1服務(wù)應(yīng)用 綜合服務(wù)應(yīng)用 =↑ 一氣象大數(shù)據(jù)云平臺(tái) 機(jī)器學(xué)習(xí)算法管理 氣象等算法支撐 一氣象觀測(cè)數(shù)據(jù)應(yīng)用業(yè)務(wù)標(biāo)準(zhǔn) 1 氣象綜合業(yè)務(wù)監(jiān)控與運(yùn)維體系云端PaaS 數(shù)據(jù)質(zhì)量控制 可解釋性分析 數(shù)據(jù)偏差訂正 模型優(yōu)選評(píng)估↑ ↑象服務(wù)合 風(fēng)險(xiǎn)態(tài)勢(shì) 影響分析 交互加工 產(chǎn)品分發(fā) 檢驗(yàn)評(píng)估 服務(wù)評(píng)價(jià)數(shù)據(jù)質(zhì)控 檢驗(yàn)評(píng)估 時(shí)空 多源數(shù)據(jù) 大數(shù)據(jù)分析 機(jī)器學(xué)習(xí)算法庫(kù) 訂正 算法 降尺度 集成 支撐 支撐數(shù)據(jù)撐 梯度風(fēng) 輻射觀測(cè) 10m風(fēng) 雷達(dá)觀測(cè) 衛(wèi)星觀測(cè) 社會(huì)化 GIS數(shù)據(jù) _-一=氣 基礎(chǔ)設(shè)施 虛業(yè)務(wù)資源池 分備物理池 仿池 =-==

機(jī)器學(xué)習(xí)算法管理平臺(tái)

數(shù)據(jù)集管理 算法超市 算法評(píng)價(jià)應(yīng)用

樣本集管理 數(shù)據(jù)導(dǎo)入 數(shù)據(jù)前處理 后處理 任務(wù)管理 執(zhí)行日志監(jiān)控主體管理 深度學(xué)習(xí) 可視化 組件開發(fā)模塊 自定義模型/ 結(jié)果數(shù)據(jù) 算法開發(fā)輸出管理 模型檢驗(yàn) 模型評(píng)價(jià) 通用算法組件 分析 服務(wù)模型上線 模型上線特征管理 原子組件 組合組件 模型版本管理 服務(wù) 異常報(bào)警K8S Redis RabbitMQ MySQL Doris

數(shù)據(jù)集管理針對(duì)氣象監(jiān)測(cè)數(shù)據(jù)和新能源場(chǎng)站的歷史功率數(shù)據(jù)、設(shè)備運(yùn)行數(shù)據(jù)、地形地貌數(shù)據(jù)等，實(shí)現(xiàn)對(duì)原始數(shù)據(jù)、主體數(shù)據(jù)、樣本集數(shù)據(jù)和數(shù)據(jù)特征的統(tǒng)一處理。能夠?qū)崿F(xiàn)快速建立標(biāo)簽數(shù)據(jù)，挖掘數(shù)據(jù)特征提供可視化的界面操作，并支持對(duì)主體數(shù)據(jù)的管理和交付知識(shí)文檔的檢索。提供創(chuàng)建特征、更新特征、查看特征狀態(tài)、查看特征列表及刪除特征等功能，對(duì)于數(shù)據(jù)集管理過(guò)程中產(chǎn)生的各類輸出結(jié)果進(jìn)行管理和檢索查詢。

算法超市主要搭建了豐富的模型庫(kù)，涵蓋傳統(tǒng)的物理模型、統(tǒng)計(jì)模型，以及機(jī)器學(xué)習(xí)模型、深度學(xué)習(xí)模型等，如支持向量機(jī)、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其變體長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）等。支持用戶自定義開發(fā)原子組件，作為模型中的一個(gè)基礎(chǔ)方法。同時(shí)，也支持用戶將各原子組件以圖的方式進(jìn)行組合連接，形成組合組件，組合組件視為一個(gè)模型中的分支邏輯，并通過(guò)模型版本管理實(shí)現(xiàn)版本的更新和迭代。用戶創(chuàng)建的原子組件和組合組件會(huì)收錄到組件庫(kù)中，供有權(quán)限的其他算法開發(fā)人員使用，開放上傳自研組件或者算法接口，經(jīng)過(guò)驗(yàn)證和評(píng)估后納入算法管理平臺(tái)，實(shí)現(xiàn)組件或者模型共享復(fù)用和成果轉(zhuǎn)化。

算法評(píng)價(jià)和應(yīng)用是利用云計(jì)算和邊緣計(jì)算能力，為模型訓(xùn)練提供高效算力支持。采用分布式訓(xùn)練技術(shù)，加速模型收斂速度，縮短訓(xùn)練周期。提供模型上線跟蹤服務(wù)包括模型上下線管理、流程審批、資源管理和環(huán)境管理，以及上線后的任務(wù)監(jiān)控、指標(biāo)監(jiān)控、模型評(píng)分和異常告警等功能。運(yùn)用模型評(píng)估指標(biāo)體系，如均方根誤差（RMSE）平均絕對(duì)誤差（MAE）等，對(duì)訓(xùn)練出的模型進(jìn)行實(shí)時(shí)評(píng)估與優(yōu)化。此外，引入自動(dòng)超參數(shù)調(diào)整技術(shù)，提高模型的泛化能力和預(yù)測(cè)精度。

典型算法應(yīng)用場(chǎng)景有氣象訂正算法、功率預(yù)測(cè)算法等。氣象訂正算法是為了能夠滿足功率預(yù)測(cè)算法提升預(yù)測(cè)精度、減少預(yù)測(cè)偏差的要求。基于電場(chǎng)所在區(qū)域代表性的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)及測(cè)風(fēng)塔、機(jī)頭風(fēng)速儀等探測(cè)設(shè)備采集的實(shí)際探測(cè)數(shù)據(jù)，使用機(jī)器學(xué)習(xí)算法或傳統(tǒng)統(tǒng)計(jì)方法，對(duì)數(shù)值天氣預(yù)報(bào)的要素預(yù)報(bào)進(jìn)行訂正，使其更符合真實(shí)值。主要分為短期融合訂正算法、中期訂正等，支持多源數(shù)據(jù)、多要素的建模及預(yù)測(cè)和多進(jìn)程并發(fā)計(jì)算。短期訂正是對(duì)次日零時(shí)至未來(lái) 風(fēng)速和輻照度至少1種算法的偏差訂正。中期訂正針對(duì)未來(lái)7 2～2 4 0 h 風(fēng)速和輻照度偏差訂正。

功率預(yù)測(cè)算法是基于電場(chǎng)所在區(qū)域代表性的數(shù)值天氣預(yù)報(bào)數(shù)據(jù)及電場(chǎng)歷史運(yùn)行發(fā)電數(shù)據(jù)，使用機(jī)器學(xué)習(xí)算法，對(duì)兩者的映射規(guī)律進(jìn)行建模。通過(guò)調(diào)整模型結(jié)構(gòu)、學(xué)習(xí)算法、訓(xùn)練數(shù)據(jù)規(guī)格、數(shù)據(jù)處理方法和算法參數(shù)等，滿足電網(wǎng)調(diào)度對(duì)各個(gè)業(yè)務(wù)場(chǎng)景的功率預(yù)測(cè)要求。主要分為超短期功率預(yù)測(cè)算法、短期功率預(yù)測(cè)算法、中期功率預(yù)測(cè)算法和長(zhǎng)期電量預(yù)測(cè)。超短期功率預(yù)測(cè)算法是針對(duì)未來(lái) 的有功功率準(zhǔn)確率優(yōu)化，最少包含3種超短期功率預(yù)測(cè)算法，支持實(shí)測(cè)功率時(shí)序預(yù)測(cè)算法，以及氣象與時(shí)序融合算法。短期功率預(yù)測(cè)算法是針對(duì)次日零時(shí)到未來(lái) 的有功功率準(zhǔn)確率優(yōu)化，支持限電過(guò)濾處理算法，最少包含3種短期功率預(yù)測(cè)算法。中期功率預(yù)測(cè)是針對(duì)未來(lái) 到未來(lái) 2 4 0 h 的有功功率準(zhǔn)確率優(yōu)化，支持限電過(guò)濾處理，最少包含1種中期功率預(yù)測(cè)算法。長(zhǎng)期電量預(yù)測(cè)是針對(duì)未來(lái)12個(gè)月的逐月電量及總電量準(zhǔn)確率優(yōu)化，預(yù)測(cè)曲線不應(yīng)出現(xiàn)跳變、拉直線等異常情況。

2.2 預(yù)報(bào)支撐服務(wù)平臺(tái)

預(yù)報(bào)支撐服務(wù)平臺(tái)包含手繪過(guò)濾、服務(wù)配置管理、宏觀透視、模擬預(yù)測(cè)分析、預(yù)報(bào)誤差分布展示、系統(tǒng)監(jiān)控報(bào)警列表展示和運(yùn)行狀態(tài)查詢等模塊，實(shí)現(xiàn)配置管理、應(yīng)用分析和運(yùn)行監(jiān)控等功能，如圖4所示。

配置管理包含模型訓(xùn)練配置、預(yù)測(cè)配置、數(shù)據(jù)配置、版本配置和服務(wù)配置等，實(shí)現(xiàn)預(yù)測(cè)步長(zhǎng)、評(píng)價(jià)函數(shù)、自動(dòng)優(yōu)選、訓(xùn)練周期、過(guò)濾函數(shù)和算法參數(shù)等基礎(chǔ)配置功能。同時(shí)，通過(guò)服務(wù)配置管理可以實(shí)現(xiàn)服務(wù)用戶和場(chǎng)景指定具體預(yù)報(bào)算法、指定分發(fā)方式等高級(jí)定制化配置功能。支持手繪模型和手繪過(guò)濾功能，通過(guò)手動(dòng)交互式形成采樣數(shù)據(jù)、實(shí)測(cè)數(shù)據(jù)散點(diǎn)圖等，手動(dòng)構(gòu)建預(yù)報(bào)模型，并且能夠通過(guò)數(shù)據(jù)點(diǎn)擊形成上下限曲線，基于曲線對(duì)異常數(shù)據(jù)點(diǎn)進(jìn)行過(guò)濾，將過(guò)濾后的曲線數(shù)據(jù)入庫(kù)提供平臺(tái)調(diào)用。

應(yīng)用分析包含可視化展示、模型分析和預(yù)測(cè)、數(shù)據(jù)源統(tǒng)計(jì)分析等，實(shí)現(xiàn)對(duì)平臺(tái)服務(wù)情況的宏觀透視、信息總覽、數(shù)據(jù)樣本分布和預(yù)報(bào)誤差分布等可視化展示功能。實(shí)現(xiàn)預(yù)報(bào)誤差分布展示、子模型對(duì)比檢驗(yàn)分析、模擬預(yù)測(cè)分析等全鏈條分析功能，支持模型回測(cè)、建模分析、結(jié)果驗(yàn)證，支持參數(shù)通過(guò)網(wǎng)格搜索、貝葉斯搜索完成自動(dòng)參數(shù)尋優(yōu)，為模型的對(duì)比適配提供支撐。實(shí)現(xiàn)各數(shù)據(jù)源每日指標(biāo)統(tǒng)計(jì)結(jié)果等自動(dòng)統(tǒng)計(jì)生成功能，統(tǒng)計(jì)數(shù)據(jù)源的歷史同比、環(huán)比、時(shí)長(zhǎng)可用性情況，實(shí)現(xiàn)數(shù)據(jù)源分析報(bào)告一鍵生成，提供基于數(shù)據(jù)源的訂正模型數(shù)據(jù)回算支持。

運(yùn)行監(jiān)控實(shí)現(xiàn)對(duì)系統(tǒng)運(yùn)行情況的監(jiān)控、報(bào)警、查詢和統(tǒng)計(jì)分析功能，針對(duì)數(shù)據(jù)采集、文件上報(bào)、預(yù)測(cè)準(zhǔn)確率等容易出現(xiàn)異常的環(huán)節(jié)建立告警提示功能。其中，預(yù)測(cè)準(zhǔn)確率類異常報(bào)警包含短中期、超短期等全周期預(yù)報(bào)結(jié)果，對(duì)模型曲線異常、上報(bào)準(zhǔn)確率過(guò)低、數(shù)據(jù)中斷和配置未生效等信息進(jìn)行監(jiān)控，支持語(yǔ)音、震動(dòng)、彈窗等多種方式報(bào)警提醒，同時(shí)，支持對(duì)報(bào)警閾值、報(bào)警級(jí)別、報(bào)警方式和報(bào)警內(nèi)容進(jìn)行自定義，實(shí)現(xiàn)按需定制化的報(bào)警，以及報(bào)警信息歷史查詢、報(bào)警信息實(shí)時(shí)列表展示等功能。

3 關(guān)鍵技術(shù)

3.1模型可解釋性分析技術(shù)

在風(fēng)光功率預(yù)測(cè)領(lǐng)域，實(shí)現(xiàn)模型的解釋性是為了確保機(jī)器學(xué)習(xí)模型的透明度和可信性，通過(guò)可解釋性技術(shù)，不僅能驗(yàn)證模型的合理性，還能指導(dǎo)特征工程、優(yōu)化模型設(shè)計(jì)。可解釋性分析方法在本系統(tǒng)采用2種方法，分別為選擇局部可解釋模型敏感性分析和夏普里值（SHapleyAdditiveexPlanations，SHAP）分析。

局部可解釋模型敏感性分析通過(guò)觀察模型對(duì)輸入特征的微小變化的敏感性來(lái)解釋模型的決策。對(duì)每個(gè)輸入特征進(jìn)行微小的擾動(dòng)，記錄模型輸出的變化，并計(jì)算特征的靈敏度指標(biāo)，如導(dǎo)數(shù)或差分。使用數(shù)值計(jì)算方法，如有限差分法或自動(dòng)微分，來(lái)計(jì)算靈敏度。通過(guò)特征靈敏度曲線或熱圖，顯示每個(gè)特征對(duì)模型輸出的影響程度。

夏普里值（SHAP值）分析是衡量每個(gè)輸入特征對(duì)模型輸出的貢獻(xiàn)程度。定義特征組合的空間，并計(jì)算每個(gè)特征組合下模型的輸出。根據(jù)夏普里值的定義，計(jì)算每個(gè)特征在所有可能的特征組合中的平均邊際貢獻(xiàn)來(lái)確定特征的重要性，最后使用柱狀圖或表格展示每個(gè)特征的重要性排名。

式中： 為所有的樣本集合;S為樣本的一個(gè)子集; 為SHAP值;ISI！·（ ）為不同樣本的貢獻(xiàn)權(quán)重； f （ x ） 為模型對(duì)樣本的預(yù)測(cè)值 為特征子集 s 的預(yù)測(cè)值（通過(guò)邊緣其他特征計(jì)算）

3.2 微服務(wù)技術(shù)

機(jī)器學(xué)習(xí)算法管理平臺(tái)利用SpringCloud Aliba-ba技術(shù)構(gòu)建微服務(wù)架構(gòu)，將各個(gè)功能模塊拆分成獨(dú)立的服務(wù)。例如，模型訓(xùn)練服務(wù)、模型部署服務(wù)等都可以作為獨(dú)立的微服務(wù)存在。實(shí)現(xiàn)了分布式配置、服務(wù)注冊(cè)與發(fā)現(xiàn)、熔斷和限流等功能，增強(qiáng)了系統(tǒng)的彈性和可靠性，更易于擴(kuò)展和維護(hù)，支持微服務(wù)之間的松耦合，提高了整個(gè)平臺(tái)的靈活性。

1）微服務(wù)架構(gòu)：將不同功能模塊拆分成獨(dú)立的微服務(wù)，每個(gè)微服務(wù)負(fù)責(zé)一個(gè)特定的業(yè)務(wù)功能，通過(guò)SpringCloudAlibaba進(jìn)行注冊(cè)、發(fā)現(xiàn)和通信。2）分布式配置中心：使用SpringCloudAlibaba的配置中心，集中管理和動(dòng)態(tài)更新微服務(wù)的配置信息，對(duì)于不同環(huán)境的配置變更，可以實(shí)現(xiàn)動(dòng)態(tài)調(diào)整，無(wú)須重新部署。3）服務(wù)注冊(cè)與發(fā)現(xiàn)：SpringCloudAlibaba提供的Nacos作為服務(wù)注冊(cè)與發(fā)現(xiàn)中心，確保微服務(wù)能夠自動(dòng)注冊(cè)和發(fā)現(xiàn)，使得微服務(wù)之間的通信更為便捷。4）熔斷和限流：利用SpringCloudAlibaba的Sen-tinel實(shí)現(xiàn)微服務(wù)的熔斷和限流，提高系統(tǒng)的穩(wěn)定性，避免微服務(wù)因?yàn)楫惓Ｇ闆r導(dǎo)致整體系統(tǒng)崩潰。

4結(jié)束語(yǔ)

基于機(jī)器學(xué)習(xí)的風(fēng)光功率預(yù)測(cè)系統(tǒng)的設(shè)計(jì)與應(yīng)用，為解決構(gòu)建新型電力系統(tǒng)提出來(lái)的更高要求，提供了一種有效的解決方案。平臺(tái)通過(guò)對(duì)機(jī)器學(xué)習(xí)算法的管理，實(shí)現(xiàn)了算法的優(yōu)選評(píng)估、統(tǒng)一管理和優(yōu)化配置，顯著提高了功率預(yù)測(cè)的準(zhǔn)確性和時(shí)效性，為智慧化調(diào)度體系提供了技術(shù)支持，有效促進(jìn)風(fēng)光新能源并網(wǎng)消納。目前系統(tǒng)實(shí)現(xiàn)了單電場(chǎng)功率預(yù)測(cè)、區(qū)域集中功率預(yù)測(cè)等多種場(chǎng)景應(yīng)用，未來(lái)為了更好地適應(yīng)新能源電力交易的新要求，將探索更多先進(jìn)算法的集成，并加強(qiáng)平臺(tái)的智能化水平，引入自適應(yīng)學(xué)習(xí)和自動(dòng)調(diào)參等功能，以更好地滿足電力系統(tǒng)發(fā)展的需求。

參考文獻(xiàn)：

[1]申彥波.新能源體系建設(shè)中的氣象問題與技術(shù)進(jìn)展[J]南方能源建設(shè)，2025，12（1）：31-42.

[2]鄭曉亮，楊曉亮，來(lái)文豪.新能源發(fā)電預(yù)測(cè)方法分類及研究進(jìn)展[J].科學(xué)技術(shù)與工程，2024，24（34）：14503-14521.

[3]安鑫喆.時(shí)空信息融合的風(fēng)電功率預(yù)測(cè)方法[D].西安：西安建筑科技大學(xué)，2024.

[4]陳金車，王金艷，蘇士翔，等.3種機(jī)器學(xué)習(xí)方法預(yù)報(bào)風(fēng)電功率的對(duì)比[J].蘭州大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，58（1）：124-129.

[5]黃萬(wàn)超.機(jī)器學(xué)習(xí)技術(shù)在風(fēng)力與光伏發(fā)電系統(tǒng)短期功率預(yù)測(cè)中的應(yīng)用與比較研究[J].現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化，2024，14（10）：137-138.

[6]孫榮富，張濤，和青，等.風(fēng)電功率預(yù)測(cè)關(guān)鍵技術(shù)及應(yīng)用綜述[J].高電壓技術(shù)，2021，47（4）：1129-1143.

[7]寇金弛.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測(cè)系統(tǒng)設(shè)計(jì)[D].沈陽(yáng)：沈陽(yáng)工程學(xué)院，2021.

[8]李潤(rùn)澤.基于機(jī)器學(xué)習(xí)的新能源發(fā)電功率預(yù)測(cè)研究[D].恩施：湖北民族大學(xué)，2021.