【A题解题思路-第三弹】2025电工杯数学建模A题解题思路+可运行模型参考（无偿分享）

注：该内容由“数模加油站”原创，无偿分享，可以领取参考但不要利用该内容倒卖，谢谢！ 

一、问题分析

问题一思路分析

为了研究光伏电站的发电特性，我们首先需要估算在“理想天气”条件下，电站本应能够产生多少电。这种理想条件下的太阳辐射强度被称为“清空辐照”，即在天空没有云、空气通透时，太阳直射地面能达到的最大值。我们使用一种国际上常用的估算方法来计算这种辐照，它会考虑地理位置（经度、纬度）、海拔高度以及太阳在天空中的位置（包括太阳高度角和方位角）。每隔 15 分钟计算一次这个“理想辐照”，我们就可以得到电站在晴朗天气下每个时刻理论上能产生的发电量，用以下公式表示：

其中，是理想天气下的太阳辐射，A是光伏组件的总面积，是标准测试条件下的辐照强度。

随后，将实际观测到的发电功率与理论值P_\text{cs}(t)相除，可以得到一个“发电达成率”指标，称为“全天空指数”：

该指标越接近1，表示当天的天气接近理想状态；越低，则表明云层遮挡或气象条件较差。我们按每天计算这个值的中位数，可以判断该天是晴天、阴天还是多云天气。

在分析长期趋势时，我们会计算每日发电功率与额定容量的比值，即“容量因子”：

再对其进行季节性拟合，判断春夏秋冬的发电差异；短周期特性则通过每小时统计全天空指数的波动情况来体现。

此外，我们定义每月的“性能比”来衡量电站的整体发电效率：

例如，如果某月性能比低于0.75，则说明天气条件或设备本身存在问题，如频繁的云层遮挡或系统限功。

问题二思路分析

本问题目标是利用历史光伏发电数据，预测未来7天中每15分钟的发电功率。首先按照要求将第 2、5、8、11 月的最后一周作为测试集，其余作为训练集。

简单的基线方法是直接使用前一天的功率作为预测值：

为了提高预测精度，可以使用LSTM深度学习模型处理非线性序列。LSTM的输入为过去96个时间点的功率值及时间特征，如：

\sin\left(\frac{2\pi h}{96}\right)，\cos\left(\frac{2\pi h}{96}\right)

损失函数可选择加权平均绝对误差，仅在白天有阳光的时段计算：

\mathcal{L} = \frac{1}{N} \sum_{t \in \text{白天}} \left| P_t - \hat{P}_t \right|

评价模型时采用以下两个指标：

其中是额定发电功率。

问题三思路分析

本问题引入天气预报数据（NWP）来提升预测精度。将逐小时的SSR、、TCC插值为15分钟，并对齐历史功率数据。

特征包含：

上一时刻实际功率

当前全天空指数

未来96步的SSR_{t:t+96}、T_{2m}、TCC

时间特征：\sin\left(\frac{2\pi h}{96}\right)，\cos\left(\frac{2\pi h}{96}\right)

我们可以采用分位数梯度提升树，输出多个置信区间的预测值：

与第二问结果对比，定义得分衡量提升幅度：

将全天空指数中位数用于天气分类：

晴天：> 0.8

多云：

阴天：

分别计算不同天气下模型的Score值，验证NWP效果。

问题四思路分析

为克服NWP分辨率不足的问题，我们可以引入空间降尺度。以ERA5的作为输入，高分辨率辐射观测SSR^\ast作为目标。

模型训练数据为：

模型形式为：

将预测的SSR^\ast替换原始辐射特征，重新训练功率预测模型。评估性能提升：

若\Delta > 0，说明降尺度有效。

参考文献

[1]谈玲,康瑞星,夏景明,王越.融合多源异构气象数据的光伏功率预测模型[J].电子与信息学报,2024,46(2):255-266.

[2]苏华英,王融融,张俨,廖胜利,王国松,代江.改进特征选择的光伏功率预测融合算法[J].实验科学与技术,2023,21(5):411-417.

[3]赵耀,高少炜,李东东,林顺富,杨帆,黄学勤.基于天气相似聚类与QRNN的短期光伏功率区间概率预测[J].电力系统自动化,2023,47(23):103-112.

[4]杨丽薇,高晓清,蒋俊霞,等.基于小波变换与神经网络的光伏电站短期功率预测[J].太阳能学报,2020,41(7):152-157.

[5]王晓霞,俞敏,霍泽健.基于近邻传播聚类与LSTNet的分布式光伏电站群短期功率预测[J].电力系统自动化,2023,47(6):145-154.

[6]谈玲,康瑞星,夏景明,王越.融合多源异构气象数据的光伏功率预测模型[J].电子与信息学报,2024,46(2):503-517.

[7]商立群,李洪波,侯亚东,等.基于VMD-ISSA-KELM的短期光伏发电功率预测[J].电力系统保护与控制,2022,50(21):138-148.

[8]吴明朗,庞振江,洪海敏,占兆武,靳飞,唐远洋,叶璇.基于残差的分布式光伏发电功率组合预测方法[J].深圳大学学报（理工版）,2024,41(3):293-302

[9]叶其孝，姜启源译， 数学建模（原书第5版）， 机械工业出版社， 2014,10.

后续都在“数模加油站”......