☀️ Suncast — 逐时太阳能光伏发电预测模型（中国区域）
这是一个机器学习模型，可根据纬度、经度和日期范围，预测中国内地任意位置的逐时太阳能光伏发电量（kWh）。
📌 模型概述
| 项目 | 详情 |
|---|---|
| 任务 | 表格回归（太阳辐照度 → 光伏功率） |
| 算法 | 随机森林回归器（通过 PyCaret AutoML 实现） |
| 目标区域 | 中国内地（UTC+8） |
| 时间分辨率 | 1小时间隔 |
| 输出单位 | kWh（1千瓦标准光伏电站） |
| 训练周期 | 2024全年 |
| 训练样本量 | 4,861,296 |
📊 性能表现
| 指标 | 值 |
|---|---|
| MAE（平均绝对误差） | 76.19 W/m² |
| RMSE（均方根误差） | 126.96 W/m² |
| R²（决定系数） | 0.748 |
| MAPE（平均绝对百分比误差） | 1.49% |
主要观察结果：
- ✅ 夏季（太阳辐照度充足）预测精度高
- ⚠️ 冬季误差增大（辐照度低，气象条件多变）
- 模型的季节性结构支持长期扩展
🗂️ 数据来源
输入数据 — GFS（全球预报系统，NOAA）
- 空间分辨率：1° × 1°
- 时间分辨率：1小时
- 覆盖范围：纬度19°–53°（步长2°），经度74°–134°（步长2°）→ 558个网格点
| 变量 | 单位 |
|---|---|
| 地面气压 | Pa |
| 地面温度 | K |
| 相对湿度（2米） | % |
| U 风分量（10米） | m/s |
| V 风分量（10米） | m/s |
| 日照时长 | s |
| 低/中/高云量 | % |
| 向下短波辐射通量 | W/m² |
GFS DSWRF 是通过 RRTMG 辐射传输方案计算的模型模拟值，非直接卫星观测数据。
目标数据 — NASA POWER / CERES SYN1deg
- 来源：CERES SYN1deg（Ed4.x），经 Terra/Aqua CERES、MODIS 和地球静止卫星交叉校准
- 空间分辨率：1° × 1°（下采样至2° × 2°）
- 时间分辨率：1小时（由3小时数据线性插值得到）
- 时区：固定UTC+8（全国统一）
🧠 模型训练详情
特征工程
- GFS 输入变量的时空对齐与标准化
- 添加的时间特征：
hour_local、month_local、day_of_year、season
对比的候选模型
- 极端随机树回归器
- 随机森林回归器 ✅（已选择）
- LightGBM
- 梯度提升回归器
选择随机森林是因其具有较强的抗过拟合能力，且在所有评估指标上均表现出均衡的性能。
训练配置
| 设置 | 值 |
|---|---|
| 训练/测试集划分 | 80% / 20% |
| 交叉验证 | k折交叉验证（k=10） |
| 超参数调优 | 网格搜索 |
⚡ 光伏功率转换
预测的太阳辐照度（W/m²）通过 pvlib 转换为发电量（kWh）。
| 参数 | 值 |
|---|---|
| 面板倾斜角 | 25° |
| 面板方位角 | 180°（朝南） |
| 温度系数 | −0.004 /°C |
| 容量 | 1 kW（标准） |
发电量在当地时间 06:00 前和 19:00 后设置为 0 kWh。
🚀 使用方法
1. 安装依赖项
pip install huggingface_hub pycaret[full]2. 从 Hugging Face Hub 下载并加载模型
from huggingface_hub import hf_hub_download
from pycaret.regression import load_model, predict_model
import pandas as pd
# Download model from Hugging Face Hub
model_path = hf_hub_download(
repo_id="ryukkt62/Suncast",
filename="Suncast_v1.pkl"
)
# Load PyCaret pipeline (strip .pkl extension)
model = load_model(model_path.replace(".pkl", ""))3. 准备输入特征并进行预测
# Prepare input features
input_data = pd.DataFrame([{
"sp": 101325, # Surface Pressure [Pa]
"t": 300.15, # Surface Temperature [K]
"r2": 60.0, # Relative Humidity [%]
"u10": 2.0, # U-Wind [m/s]
"v10": -1.5, # V-Wind [m/s]
"SUNSD": 3200, # Sunshine Duration [s]
"lcc": 10.0, # Low Cloud Cover [%]
"mcc": 5.0, # Mid Cloud Cover [%]
"hcc": 20.0, # High Cloud Cover [%]
"sdswrf": 650.0, # DSWRF [W/m²]
"hour_local": 12,
"month_local": 7,
"day_of_year": 190
}])
# Predict irradiance → PV power
prediction = predict_model(model, data=input_data)
print(prediction["prediction_label"])注意： 模型文件在首次下载后会缓存在本地（
~/.cache/huggingface/hub/），因此后续调用不会重新下载。
📁 仓库文件
| 文件 | 描述 |
|---|---|
Suncast_v1.pkl | 训练好的 PyCaret 随机森林管道 |
config.json | 模型元数据 |
⚠️ 局限性
- 训练数据仅限于 2024 年（原计划为 2020–2024 年；因 GFS 服务器不稳定和存储限制而缩减）
- 网格分辨率为 2° × 2° —— 预测使用距离输入坐标最近的网格点
- 不适用于中国大陆网格覆盖范围之外
📄 许可证
本模型基于 Apache 2.0 许可证 发布。