什么是模型训练中的 特征提取,如何对光伏发电预测中的特征进行提取

🔍 什么是模型训练中的“特征提取”

• 定义：特征提取是从原始数据中提炼出对预测或分类最有用的信息的过程。它的目标是去掉冗余和噪声，保留能最好反映数据规律的特征。

• 作用：

  • 降低数据维度，减少计算量

  • 提高模型的泛化能力

  • 让模型更容易捕捉数据的内在模式

• 方法类型：

  1. 人工特征工程：基于领域知识手动构造特征（如天气数据中的日照时长、温差等）

  2. 自动特征提取：用算法（如PCA、CNN、AutoEncoder）自动学习特征

☀ 光伏发电预测中的特征提取思路

光伏发电功率受气象条件 + 设备状态 + 时间因素等多种变量影响，因此特征提取要覆盖这几类信息。

1. 气象类特征

• 太阳辐照度（水平面、倾斜面）

• 温度（环境温度、组件背板温度）

• 风速、风向

• 湿度、气压

• 云量、能见度

这些特征可直接来自气象站或数值天气预报（NWP）数据。

2. 时间类特征

• 年、月、日、小时、分钟

• 一天中的太阳高度角、方位角

• 季节性周期（如夏季日照长、冬季短）

3. 历史功率特征

• 过去一段时间的发电功率序列（如过去 15 分钟、1 小时、1 天）

• 滑动窗口统计值（均值、最大值、最小值、变化率）

4. 设备状态特征

• 组件效率衰减系数

• 逆变器效率

• 维护/故障标记

🛠 常用特征提取方法（光伏预测场景）

方法	适用场景	优点	示例
PCA（主成分分析）	高维气象数据降维	去冗余、保留主要信息	将多种辐照度指标压缩成1-2个主成分
CNN 卷积神经网络	提取空间特征	自动学习局部模式	从多通道气象数据中提取空间相关性
LSTM / BiLSTM	提取时间依赖特征	适合时序预测	捕捉功率随时间变化的趋势
多特征融合	综合多种特征	提高预测精度	倾斜面辐照度 + 温度特征 + 时序特征
特征选择算法	去掉无关特征	提高效率	互信息、递归特征消除（RFE）

📌 光伏预测特征提取的一个典型流程

1. 数据收集：历史功率 + 气象数据 + 设备参数

2. 数据清洗：去除缺失值、异常值

3. 特征构造：

   • 计算倾斜面辐照度（基于太阳位置模型）

   • 生成时间周期特征（正弦/余弦编码）

   • 计算历史功率的滑动窗口统计值

4. 特征选择/降维：用PCA、相关系数、特征重要性排序等方法

5. 输入模型：CNN-LSTM、XGBoost-LSTM等混合模型常用于光伏预测

参考：

1​ blog.csdn.nethttps://blog.csdn.net/2301_77509548/article/details/140928584  2 www.hanspub.orghttps://www.hanspub.org/journal/paperinformation?paperid=101379
3​ www.opticsjournal.nethttps://www.opticsjournal.net/Articles/OJd9203fa4910a8b9e/Abstract