🔍 什么是模型訓練中的“特征提取”

• 定義：特征提取是從原始數據中提煉出對預測或分類最有用的信息的過程。它的目標是去掉冗余和噪聲，保留能最好反映數據規律的特征。

• 作用：

  • 降低數據維度，減少計算量

  • 提高模型的泛化能力

  • 讓模型更容易捕捉數據的內在模式

• 方法類型：

  1. 人工特征工程：基于領域知識手動構造特征（如天氣數據中的日照時長、溫差等）

  2. 自動特征提取：用算法（如PCA、CNN、AutoEncoder）自動學習特征

? 光伏發電預測中的特征提取思路

光伏發電功率受氣象條件 + 設備狀態 + 時間因素等多種變量影響，因此特征提取要覆蓋這幾類信息。

1. 氣象類特征

• 太陽輻照度（水平面、傾斜面）

• 溫度（環境溫度、組件背板溫度）

• 風速、風向

• 濕度、氣壓

• 云量、能見度

這些特征可直接來自氣象站或數值天氣預報（NWP）數據。

2. 時間類特征

• 年、月、日、小時、分鐘

• 一天中的太陽高度角、方位角

• 季節性周期（如夏季日照長、冬季短）

3. 歷史功率特征

• 過去一段時間的發電功率序列（如過去 15 分鐘、1 小時、1 天）

• 滑動窗口統計值（均值、最大值、最小值、變化率）

4. 設備狀態特征

• 組件效率衰減系數

• 逆變器效率

• 維護/故障標記

🛠 常用特征提取方法（光伏預測場景）

方法	適用場景	優點	示例
PCA（主成分分析）	高維氣象數據降維	去冗余、保留主要信息	將多種輻照度指標壓縮成1-2個主成分
CNN 卷積神經網絡	提取空間特征	自動學習局部模式	從多通道氣象數據中提取空間相關性
LSTM / BiLSTM	提取時間依賴特征	適合時序預測	捕捉功率隨時間變化的趨勢
多特征融合	綜合多種特征	提高預測精度	傾斜面輻照度 + 溫度特征 + 時序特征
特征選擇算法	去掉無關特征	提高效率	互信息、遞歸特征消除（RFE）

📌 光伏預測特征提取的一個典型流程

1. 數據收集：歷史功率 + 氣象數據 + 設備參數

2. 數據清洗：去除缺失值、異常值

3. 特征構造：

   • 計算傾斜面輻照度（基于太陽位置模型）

   • 生成時間周期特征（正弦/余弦編碼）

   • 計算歷史功率的滑動窗口統計值

4. 特征選擇/降維：用PCA、相關系數、特征重要性排序等方法

5. 輸入模型：CNN-LSTM、XGBoost-LSTM等混合模型常用于光伏預測

參考：

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