Coggle数据科学 | 科大讯飞AI大赛：新能源发电功率预测挑战赛 Baseline

最新推荐文章于 2025-09-17 10:40:50 发布

双木的木

最新推荐文章于 2025-09-17 10:40:50 发布

阅读量1.2k

点赞数 24

CC 4.0 BY-SA版权

分类专栏：深度学习拓展阅读 python库文章标签：人工智能 python

本文链接：https://blog.csdn.net/csdn_xmj/article/details/149775797

深度学习拓展阅读同时被 2 个专栏收录

877 篇文章

订阅专栏

python库

172 篇文章

订阅专栏

本文来源公众号“Coggle数据科学”，仅用于学术分享，侵权删，干货满满。

原文链接：科大讯飞AI大赛：新能源发电功率预测挑战赛 Baseline

赛题名称：新能源发电功率预测挑战赛
赛题类型：数据挖掘
赛题任务：预测新能源场站发电功率预测

https://challenge.xfyun.cn/topic/info?type=renewable-power-forecast&ch=dwsf259

赛题背景

在新能源发电领域，风电和光电由于其受天气和环境因素的影响，属于间歇性和波动性的能源。准确的预测能够有效应对新能源发电的波动性和不确定性，确保电网的频率、电压、负荷平衡等关键指标稳定，降低停电风险，提高电力系统的经济性和可靠性。

电网公司会通过其调度中心对新能源发电场的功率预测进行考核，对于不达标的进行罚款，所以新能源发电功率预测是新能源场站的刚需，而且随着新能源比例的增加和智能电网技术的发展，发电功率预测将在未来电网管理中扮演越来越重要的角色。

赛题任务

根据历史发电功率数据和对应时段气象预测数据，实现未来2个月每天15分钟分辨率（共 96 个时间点）的新能源场站发电功率预测。

赛题数据

气象数据

比赛输入数据，每个风/光场站有来自三个不同的气象预报数据，气象源1(NWP_1)、气象源2(NWP_2)、气象源3(NWP_3)，气象数据时间间隔15分钟，气象变量说明如下：

英文字段	字段类型	注释
time	DATETIME	时间
direct_radiation	DOUBLE	预测辐射(W/m²)
wind_direction_80m	DOUBLE	预测80m风向(°)
wind_speed_80m	DOUBLE	预测80m风速(m/s)
temperature_2m	DOUBLE	预测2m温度(℃)
relative_humidity_2m	DOUBLE	预测2m湿度(%)
precipitation	DOUBLE	预测降水量(mm)

注：参赛队伍可以不使用全部气象源的全部变量做为输入。

1.2 功率数据

比赛目标数据来自2个新能源场站的实发功率，其中包含1个风电场站和1个光伏场站。编号1为风电场，2为光伏电场。数据时间为北京时间，数据时间间隔为15分钟。需要注意数据中偶有空值、死值等异常值。功率数据变量说明如下：

英文字段	字段类型	注释
time	DATETIME	时间
real_power	DOUBLE	实际发电功率(MW)

1.3 数据集

训练集和测试集：

数据集	时间范围	数据含义
气象数据	20240101 ~ 20250228	历史预测气象15min分辨率
功率数据	20240101 ~ 20241231	历史实发功率15min分辨率

1.4 结果提交

提交2个场站，20250101 ~ 20250228时间范围的预测功率结果csv文件，每个文件内的数据长度为96xD（每天24小时，15分钟分辨率的功率预测，共D日）,文件index为北京时间的时间戳列名为'time'，预测功率数据列名为'predict_power'，示例如下。文件名以场站命名（output1.csv, output2.csv），所有输出压缩为一个文件：output.zip，提交至网站评测。

output1.csv数据示例：

time	predict_power
2025/1/1 0:00	28.76940995
2025/1/1 0:15	28.77233067
2025/1/1 0:30	28.85974633
2025/1/1 0:45	29.1289809
2025/1/1 1:00	29.74164174
2025/1/1 1:15	30.59554275
2025/1/1 1:30	31.59146121
...	...

注：详细提交结果格式，参考提供的样例output.zip

评估指标

统计准确率时，每个场站每天单独计算一个准确率值，并对其在所有评测天数内的准确率值求平均，得到该场站的整体准确率。最终准确率为风、光2个场站准确率的平均值。

赛题 Baseline

https://github.com/datawhalechina/competition-baseline/tree/master/competition/%E7%A7%91%E5%A4%A7%E8%AE%AF%E9%A3%9EAI%E5%BC%80%E5%8F%91%E8%80%85%E5%A4%A7%E8%B5%9B2025

数据读取

import pandas as pd
import matplotlib.pyplot as plt
from sklearn.tree import DecisionTreeRegressor
from lightgbm import LGBMRegressor
windy_power = pd.read_csv("./dataset/1_windy_power_2024-01-01_2024-12-31.csv")
windy_weather1 = pd.read_csv("./dataset/2_sunny_weather_1_2024-01-01_2025-02-28.csv")
windy_weather2 = pd.read_csv("./dataset/2_sunny_weather_2_2024-01-01_2025-02-28.csv")
windy_weather3 = pd.read_csv("./dataset/2_sunny_weather_3_2024-01-01_2025-02-28.csv")

suny_power = pd.read_csv("./dataset/2_sunny_power_2024-01-01_2024-12-31.csv")
suny_weather1 = pd.read_csv("./dataset/2_sunny_weather_1_2024-01-01_2025-02-28.csv")
suny_weather2 = pd.read_csv("./dataset/2_sunny_weather_2_2024-01-01_2025-02-28.csv")
suny_weather3 = pd.read_csv("./dataset/2_sunny_weather_3_2024-01-01_2025-02-28.csv")

windy_weather1.columns = ["time"] + ["NWP_1_" + x for x in windy_weather1.columns[1:]]
windy_weather2.columns = ["time"] + ["NWP_2_" + x for x in windy_weather2.columns[1:]]
windy_weather3.columns = ["time"] + ["NWP_3_" + x for x in windy_weather3.columns[1:]]

suny_weather1.columns = ["time"] + ["NWP_1_" + x for x in suny_weather1.columns[1:]]
suny_weather2.columns = ["time"] + ["NWP_2_" + x for x in suny_weather2.columns[1:]]
suny_weather3.columns = ["time"] + ["NWP_3_" + x for x in suny_weather3.columns[1:]]

特征工程

windy_train_test = windy_power.merge(windy_weather1, on="time", how="right").merge(windy_weather2, on="time", how="right").merge(windy_weather3, on="time", how="right")
windy_train_test['year'] = windy_train_test['time'].dt.year 
windy_train_test['month'] = windy_train_test['time'].dt.month 
windy_train_test['day'] = windy_train_test['time'].dt.day
windy_train_test['dayofweek_num'] = windy_train_test['time'].dt.dayofweek  
windy_train_test['dayofweek_name'] = windy_train_test['time'].dt.weekday

windy_train = windy_train_test[~windy_train_test["real_power"].isnull()]
windy_test = windy_train_test[windy_train_test["real_power"].isnull()].tail(5664)



suny_train_test = suny_power.merge(suny_weather1, on="time", how="right").merge(suny_weather3, on="time", how="right").merge(suny_weather3, on="time", how="right")
suny_train_test['year'] = suny_train_test['time'].dt.year 
suny_train_test['month'] = suny_train_test['time'].dt.month 
suny_train_test['day'] = suny_train_test['time'].dt.day
suny_train_test['dayofweek_num'] = suny_train_test['time'].dt.dayofweek  
suny_train_test['dayofweek_name'] = suny_train_test['time'].dt.weekday

suny_train = suny_train_test[~suny_train_test["real_power"].isnull()]
suny_test = suny_train_test[suny_train_test["real_power"].isnull()].tail(5664)

模型训练与预测

model = LGBMRegressor()
model.fit(windy_train.drop(["time", "real_power"], axis=1), windy_train["real_power"])
pred = model.predict(windy_test.drop(["time", "real_power"], axis=1))

ouput1 = pd.read_csv("output1.csv")
ouput1["predict_power"] = pred
ouput1.to_csv("output1.csv", index=None)

model = LGBMRegressor()
model.fit(suny_train.drop(["time", "real_power"], axis=1), suny_train["real_power"])
pred = model.predict(suny_test.drop(["time", "real_power"], axis=1))

ouput2 = pd.read_csv("output2.csv")
ouput2["predict_power"] = pred
ouput2.to_csv("output2.csv", index=None)

THE END !

文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。