Datawhale AI春训营】AI + 新能源（发电功率预测）Task1

赛题链接
官网
新能源发电功率预测赛题进阶方案

下面是ai给的一些建议
新能源发电功率预测赛题进阶方案

一、时序特性深度发掘

1. 多尺度周期特征

1. # 分钟级周期编码
2. train['15min_index'] = (train['hour']*4 + train['minute']//15)
4. # 周周期特征
5. train['weekday'] = pd.to_datetime(train['date']).dt.weekday
7. # 傅里叶基函数
8. from statsmodels.tsa.deterministic import Fourier
9. fourier = Fourier(order=3, period=24)
10. fourier_features = fourier.in_sample(train.index)
12. # 气象指标滞后序列
13. for lag in [1, 2, 3, 24, 24 * 7]:
14.     train[f"t2m_lag{lag}"] = train["t2m"].shift(lag)
16. # 功率自回归特征
17. train["power_lag96"] = train["power"].shift(96)  # 昨日同时间点
19. window_sizes = [4, 24, 48]  # 1h/24h/48h窗口
20. for ws in window_sizes:
21.     train[f"wind_rolling_mean_{ws}"] = train["wind_speed"].rolling(ws).mean()
22.     train[f"ghi_rolling_max_{ws}"] = train["ghi"].rolling(ws).max()

复制代码

二、气象数据增强

1. # 网格点标准差
2. train["spatial_std"] = dataset["data"].std(axis=(1,2))
4. # 梯度计算函数
5. def calc_gradient(field):
6.     grad_x = np.gradient(field, axis=1)
7.     grad_y = np.gradient(field, axis=2)
8.     return np.sqrt(grad_x**2 + grad_y**2)
9.    
10. from pvlib import solarposition
11. # 太阳位置计算
12. times = pd.to_datetime(train.index)
13. solpos = solarposition.get_solarposition(times, 30.6, 114.3)  # 武汉坐标
14. train["solar_zenith"] = solpos["zenith"]

复制代码

三、模子架构优化

1. def split_predict(df):
2.     # 黎明阶段（5-8点）使用LSTM
3.     dawn_model = build_lstm(df.between_time('5:00','8:00'))
4.    
5.     # 平稳阶段使用LightGBM
6.     stable_model = lgb.train(df.between_time('9:00','18:00'))
7.    
8.     return combine_predictions(dawn_model, stable_model)
9.    

复制代码

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。