简介面向风电机组功率预测与风速时序建模的深度学习项目完整源码包适合高校毕业设计、期末大作业及课程设计使用。项目包含模型构建、训练、数据管理及工具脚本等完整流程代码附注释新手也能快速上手内置预训练权重文件简化解部署流程可直接运行验证。压缩包共12个文件以Python脚本为主模型、训练、工具等6个py配合2个CSV指标文件、2个PT权重文件及说明文档整体178KB结构紧凑便于分析或二次开发。目前已有378人学习下载。通过源码包可获得带注释的源码与权重能够直接复现风机风速及功率预测结果同时项目自带数据读取与指标输出模块可帮助理解时序预测的数据处理、模型训练与效果评估全流程。适合作为深度学期末项目的高分参考也可作为进一步研究风电功率预测的基础框架。1. 风电功率预测不是把曲线拉直这份源码展示了「风速功率」双任务的完整闭环风电场功率考核里真正难做的不是平均误差而是大风时段的极端误差切入风速附近功率曲线斜率大同样的风速波动能引起几十兆瓦偏差。如果只盯着历史功率序列做预测模型很容易把上一刻功率抄到下一刻验证集上 R² 好看换到变风天就崩。这份基于 Python 的风机发电风速及功率预测项目代码把「风速预测」和「功率预测」拆成两个可独立评估、独立保存权重的任务并配齐了 NREL 气象数据抓取、滑窗样本构建、时空模型训练、metrics 导出的完整链路。适合期末大作业和毕设起步也适合想快速跑通风电预测 pipeline 的人。2. 数据从哪来getNRELdata.py 与 datamgr.py 先解决两类问题2.1 getNRELdata.py从气象接口拉数据先分清可复现与可联网风机功率预测需要的原始字段通常不是功率曲线本身而是气象站的时序记录风速、风向、温度、气压、湿度有时还包括辐照度。NREL 的开放数据集把站点按经纬度网格排列能通过接口一次取一年的小时级数据。这项项目把下载逻辑放在 getNRELdata.py 里目的是让训练样本不是某个人手工导出的 Excel而是一段可以反复重跑的数据流水线。拿到脚本时先别在 IDE 里直接运行先去文件开头看它是否已经封装了 argparse很多课程项目把 API key 写成全局常量这种写法一旦被改坏后面所有实验都依赖同一份本地缓存。我一般会在终端里先试一下python getNRELdata.py --help python getNRELdata.py --lat 39.91 --lon -105.23 --start 2022-01-01 --end 2022-12-31 data/nrel/如果脚本支持参数第一条命令会列出全部可选参数lat/lon指定目标点start/end决定训练集的时间跨度最后一个位置参数是输出目录。如果不支持就用python getNRELdata.py跑一次再去看它默认写到了哪个目录。需要提醒的是NREL 接口的访问策略和网络环境会变所以我会把拉下来的原始数据存成 csv 放在data/下后续 datamgr 只读本地文件这样训练过程可以重复、离线运行。参数常见取值作用--lat / --lon39.91 / -105.23目标经纬度决定读取哪个站点--start / --end2022-01-01 / 2022-12-31时间过滤单位通常是小时--out_dirdata/nrel原始 csv 落盘目录2.2 datamgr.py滑窗、预测步长与特征列对齐气象数据是时间序列但模型不能把整年数据直接塞进神经网络。常见做法是把过去window个时间点的气象特征作为输入把未来第horizon个时间点的风速和功率作为标签。datamgr.py 的工作就是完成这个滑窗转换。窗口太长会稀释近期的变化窗口太短抓不到中尺度气象过程我拿到这类项目会先把窗口设成 72 小时、预测步长设成 6 小时跑通后再对比 24 和 168。datamgr 里通常有一段类似下面的逻辑import numpy as np import pandas as pd def build_samples(df, window72, horizon6, feature_colsNone, target_cols(wind_speed, power)): feature_cols feature_cols or [wind_speed, wind_direction, temperature, pressure] xs, y_speed, y_power [], [], [] values df[list(feature_cols) list(target_cols)].astype(np.float32).values for i in range(len(df) - window - horizon 1): x values[i:i window, :len(feature_cols)] # 只看输入特征 t i window horizon - 1 # 标签时刻 xs.append(x) y_speed.append(values[t, len(feature_cols)]) # 风速标签 y_power.append(values[t, len(feature_cols) 1]) # 功率标签 return np.stack(xs), np.array(y_speed), np.array(y_power)上面这段代码用i window horizon - 1而不是i window是因为我们要求标签是「预测窗口结束后再过 horizon 个点」的结果如果你希望预测的是未来 6 小时而不是未来第 6 个点可以把horizon换成horizon - 1。返回值x的形状是(样本数, window, 特征数)后面模型会在这个形状上继续扩展站点维度。需要特别检查的是df是否按时间排序并做过缺失值处理很多模型训练时 loss 突然变成 nan不是网络问题而是数据里混进了 NaN。2.3 从单风机到多站点把样本拼成时空矩阵Deep-Spatio-Temporal这个目录名里的 Spatial 不是装饰。真实风电场中上游风机产生的尾流会让下游风机风速延迟十几分钟到达单看某一台风机的历史风速模型学不到这种空间传播关系。所以数据管理在 datamgr 里做第二件重要的事把同一时刻多个站点的滑窗特征沿站点维度拼接得到(B, T, N, F)的四维样本。B是 batchT是时间窗长度N是站点数F是特征数。如果这个项目的数据只有一个站点那N1模型退化为纯时间序列模型如果以后要迁移到别的风机数据只要把新站点按固定顺序插入同一维度即可模型结构不用动。还要注意归一化不能直接对整个 DataFrame 做StandardScaler因为训练和推理必须使用同一套均值和方差。更稳妥的做法是from sklearn.preprocessing import StandardScaler scaler StandardScaler() train_values df_all[feature_cols].values scaled scaler.fit_transform(train_values) # 保存 scaler预测阶段重新加载并用 transform不要再次 fit把scaler和权重文件放在 outputs 同一目录是我在多个时序项目里的固定习惯。这样wind_speed.pt、wind_power.pt才能被重建出同分布的输入不然后续推理得到的结果和训练时完全不是同一套尺度误差会非常大。3. 模型实现model.py 里的时空特征提取与双任务输出3.1 为什么时空网络比单点 LSTM 更适合风速预测单纯用 LSTM 学风速序列模型能看到的是某一根测风塔自己的历史。它不知道风是从哪边来的也不知道相邻塔是不是已经先观测到了同一批气流。时空模型在这个问题里的价值是让每个时刻的隐藏状态不只是时间维度的累积还能通过注意力或图卷积去融合邻近站点的信息。源码根目录里的model.py对应的是这个思路前端做空间特征交互中间用循环结构维护时间依赖末端接预测头。我在课程设计和期末作业里最常见的翻车点是「把时空模型当黑盒直接调参」。实际只要抓住一个原则时间维度和空间维度在 tensor 里的位置应当是固定的。比如输入是(B, T, N, F)空间操作发生在N维上时间操作发生在T维上。如果你把reshape写错模型不会报错但注意力机制会去混洗错误维度的信息训练曲线会平稳得怪异且无法解释。3.2 站点级注意力 GRU 的模型骨架model.py的真实类名我建议以文件为准但它大概率逃不出下面这套组合。这个结构也是这类 Deep-Spatio-Temporal 项目最常使用的骨架import torch import torch.nn as nn class DeepSpTemp(nn.Module): def __init__(self, num_features, hidden64, num_heads4, horizon6): super().__init__() self.feat_proj nn.Linear(num_features, hidden) # 特征升维 self.spatial nn.MultiheadAttention(hidden, num_heads, batch_firstTrue) self.gru nn.GRU(hidden, hidden, batch_firstTrue) # 时间建模 self.head nn.Linear(hidden, horizon) # 多步输出 def forward(self, x): # x: (B, T, N, F) B, T, N, F x.shape h torch.relu(self.feat_proj(x)) # (B, T, N, C) h h.reshape(B * T, N, -1) # 合并 batch 与 time把站点当序列 h, _ self.spatial(h, h, h) # 站点间注意力 h h.reshape(B, T, N, -1).mean(dim2) # 聚合成风场级特征 h, _ self.gru(h) # 时间建模 return self.head(h[:, -1, :]) # 最后一个时间步输出 horizon 个值这段代码的前向过程可以分四步读。第一步把原始特征线性映射到隐藏维度第二步把B和T合并只对N这个维度做 multi-head attention让每个站点的表示根据其他站点的当前状态加权更新第三步对站点取平均或取池化得到一个能代表整个风场当前状态的向量第四步把按时间排序的这些向量送入 GRU用最后一个时间步的隐状态预测未来horizon个时刻。注意这里的head输出的是多步预测的列表不是单点如果你只想预测下一个点把输出维度改成 1 即可。模型里可以调整的参数主要是hidden、num_heads、horizon。hidden增大通常能提升拟合能力但也会让训练更慢且更容易在小数据集上过拟合num_heads控制空间注意力从多少个子空间去观察站点关系一般 4 或 8 就够整个项目里 num_sites 不需要作为固定参数因为 reshape 和 attention 都能自适应。组件作用常见默认值feat_proj把原始气象特征映射到隐藏空间hidden64spatial在站点维上做注意力heads4gru时间维度的状态传递hidden64head输出未来多个时刻的预测horizon63.3 风速和功率为什么要分两个头、保存两个权重项目里最终产出了wind_speed.pt和wind_power.pt两个权重文件这是大多数人第一次看会忽略的细节。风速预测和功率预测的损失函数性质不同风速接近正态分布MSE 更温和功率在切入风速附近会因为三次方关系出现陡峭梯度同样的偏差在低风速和高风速段的惩罚不应相同。把两个任务塞进一个模型头往往会让模型为了迁就功率的陡峭区间而牺牲风速的平稳性分开训练后每个模型可以使用自己的归一化参数和早停条件。如果你仍然想在同一模型里共享特征提取器可以加两个独立 headclass TwoHeadModel(nn.Module): def __init__(self, backbone, speed_head, power_head): super().__init__() self.backbone backbone self.speed_head speed_head self.power_head power_head def forward(self, x): feat self.backbone(x) return self.speed_head(feat), self.power_head(feat)共享 backbone 的优点是参数少、训练数据利用率高缺点是 backprop 时两个 loss 会互相拉扯。我自己的做法是如果数据集只有一年且单站点先各自训练保证每个任务都有独立的 metrics 文件如果后续加了多站点数据再考虑双 head。这个决策最好直接反映在train.py的启动参数里比如--task speed和--task power。4. 训练链路与评估闭环train.py / trainer.py / utils.py 的协作方式4.1 trainer.py 的训练循环梯度裁剪与双任务 loss拿到项目后我建议先把trainer.py当成调试入口不要一上来就去看模型结构。utils.py负责数据集读取、指标计算这类可复用函数trainer.py负责真正的参数更新train.py则把数据管理、模型、训练器拼成一条命令。训练循环里最值得注意的是一段梯度更新代码项目中可能略有变动但核心结构是def train_one_epoch(model, loader, optimizer, criterion): model.train() epoch_loss 0.0 for x, y in loader: # y 可以是风速或功率由 --task 决定 optimizer.zero_grad() pred model(x) # shape: (B, horizon) loss criterion(pred, y) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm5.0) optimizer.step() epoch_loss loss.item() return epoch_loss / len(loader)这里两行值得解释。第一clip_grad_norm_把整体梯度范数限制在 5.0风电数据里偶发的异常样本会产生很大的梯度尖峰不裁剪的话一个 batch 就可能让训练发散。如果你看到 loss 曲线在某个 epoch 突然跳到 nan先把这个 max_norm 调小到 1.0。第二如果项目里确实用 shared backbone 一次输出风速和功率两个预测就需要把 loss 写成criterion(pred_speed, y_speed) 0.8 * criterion(pred_power, y_power)0.8 是常用权重因为功率数值范围通常远大于风速直接相加会让反向传播被功率主导。训练中另一个容易被忽略的点是 shuffle。时间序列样本之间存在强自相关训练集 shuffle 可以加速收敛但验证集必须保持时间顺序否则你会用未来信息污染评估结果。4.2 train.py 启动参数与 checkpoint 命名规则train.py是项目最简单的入口。常见调用如下但请先看 README 或脚本 argparse 里的默认值python train.py --task speed --window 72 --horizon 6 \ --epochs 120 --batch_size 64 --lr 1e-3 --outdir outputs这条命令做的事情是用过去 72 小时的特征预测未来第 6 小时训练 120 轮每批 64 个样本。--lr 1e-3是 Adam 系优化器的常用起点数据量不大时可以降到5e-4以获得更平稳的验证曲线。--task参数决定保存到outputs/wind_speed.pt还是outputs/wind_power.pt相应的 metrics 也分开落盘避免两个任务互相覆盖。我通常会在 120 轮里加一个 early stopping每轮评估验证集 MAE如果连续 15 轮没有提升就恢复历史最优权重并结束训练。参数表如下参数影响排错提示window输入时间长度过小会导致 R² 偏低horizon预测提前量增大后误差通常变大batch_size显存与梯度稳定性太大容易震荡lr收敛速度loss 抖动时优先调小outdir权重与 metrics 路径确认目录存在再训练跑通后outputs/下会多出四个文件两个.pt权重和两个.csv指标。.pt文件名必须与--task严格对应这也是我建议保留outputs目录不清理的原因。4.3 从 metrics CSV 里判断模型是否过拟合wind_speed_metrics.csv和wind_power_metrics.csv记录了每个 epoch 或每次验证的指标。用 pandas 直接读import pandas as pd speed_metrics pd.read_csv(outputs/wind_speed_metrics.csv) power_metrics pd.read_csv(outputs/wind_power_metrics.csv) print(speed_metrics.columns) print(speed_metrics.tail())如果列名里包含epoch、mae、rmse、r2那就可以把r2拿出来画验证曲线。一个常识是验证集 R² 如果小于 0说明模型比「直接用训练集风速均值」还差问题往往不在模型结构而在数据顺序打乱或归一化没有按时间切分。可视化时把 metrics 文件按 epoch 对齐看能明显看到模型在前 20 轮快速下降、之后平台化的趋势如果训练 loss 持续下降但验证 loss 在第 40 轮附近掉头上涨说明过拟合已经开始了。另外这份项目把风速和功率的 metrics 分开放不完全是方便论文插图更关键的是两个任务的评估场景不同。风速预测看 MAE 和 R² 就够功率预测还要额外关心相对误差和大风段误差因为并网考核直接跟功率偏差挂钩。我常把wind_power_metrics.csv按风速分箱后重算每个箱子的 RMSE清晰看出模型在哪个风速区间失效。5. 拿 wind_speed.pt 做推理权重加载与迁移前的四个检查5.1 正确加载 .pt 文件这里假设.pt存的是state_dict或包了一层字典这是这类课程项目最常用的保存方式。代码可以先这样写import torch from model import DeepSpTemp # 以实际类名为准 model_speed DeepSpTemp(num_features4, hidden64, num_heads4, horizon6) ckpt torch.load(outputs/wind_speed.pt, map_locationcpu) if isinstance(ckpt, dict) and state_dict in ckpt: state ckpt[state_dict] else: state ckpt model_speed.load_state_dict(state) model_speed.eval()如果之前保存的是{state_dict: ..., epoch: 42}上面会取出state_dict如果项目只保存了权重字典也能直接加载。实际使用中不要写成model_speed torch.load(...)就完事因为加载到的可能是带优化器状态的大字典也可能因为 torch 版本不同导致结构对不上。5.2 用训练时的 scaler 重建输入推理最容易踩的坑是忘了把新数据做相同的归一化。下面这段演示了如何在加载权重后用之前保存的 scaler 处理一个样本import numpy as np sample np.array([[...]]) # shape: (window, num_features) sample scaler.transform(sample.reshape(-1, sample.shape[-1])).reshape(sample.shape) x torch.tensor(sample, dtypetorch.float32).unsqueeze(0) # (1, T, F) with torch.inference_mode(): pred_speed model_speed(x).item() print(pred_speed)上面这段里sample.reshape(-1, sample.shape[-1])是为了让 scaler 按特征维计算transform 后必须还原回原来的二维窗口形状unsqueeze(0)是在 batch 维补一个维度满足模型前向要求的(1, T, F)。inference_mode()会关闭梯度记录推理时显存占用和速度都会更好。5.3 四个快速检查如果预测结果和训练集分布相差很大我先做四件事一是检查特征列顺序NREL 数据的列顺序与datamgr.py里feature_cols稍有不同就会出现静默错误二是确认 horizon 与训练时一致模型输出维度变化后.item()会直接报 shape 错三是把输入时间窗末尾与预测目标时刻的间隔手动对齐避免标签偏移四是把预测出的功率与风速曲线叠加画在功率散点图上看是否落在合理区间。本文还有配套的精品资源点击获取
简介面向风电机组功率预测与风速时序建模的深度学习项目完整源码包适合高校毕业设计、期末大作业及课程设计使用。项目包含模型构建、训练、数据管理及工具脚本等完整流程代码附注释新手也能快速上手内置预训练权重文件简化解部署流程可直接运行验证。压缩包共12个文件以Python脚本为主模型、训练、工具等6个py配合2个CSV指标文件、2个PT权重文件及说明文档整体178KB结构紧凑便于分析或二次开发。目前已有378人学习下载。通过源码包可获得带注释的源码与权重能够直接复现风机风速及功率预测结果同时项目自带数据读取与指标输出模块可帮助理解时序预测的数据处理、模型训练与效果评估全流程。适合作为深度学期末项目的高分参考也可作为进一步研究风电功率预测的基础框架。1. 风电功率预测不是把曲线拉直这份源码展示了「风速功率」双任务的完整闭环风电场功率考核里真正难做的不是平均误差而是大风时段的极端误差切入风速附近功率曲线斜率大同样的风速波动能引起几十兆瓦偏差。如果只盯着历史功率序列做预测模型很容易把上一刻功率抄到下一刻验证集上 R² 好看换到变风天就崩。这份基于 Python 的风机发电风速及功率预测项目代码把「风速预测」和「功率预测」拆成两个可独立评估、独立保存权重的任务并配齐了 NREL 气象数据抓取、滑窗样本构建、时空模型训练、metrics 导出的完整链路。适合期末大作业和毕设起步也适合想快速跑通风电预测 pipeline 的人。2. 数据从哪来getNRELdata.py 与 datamgr.py 先解决两类问题2.1 getNRELdata.py从气象接口拉数据先分清可复现与可联网风机功率预测需要的原始字段通常不是功率曲线本身而是气象站的时序记录风速、风向、温度、气压、湿度有时还包括辐照度。NREL 的开放数据集把站点按经纬度网格排列能通过接口一次取一年的小时级数据。这项项目把下载逻辑放在 getNRELdata.py 里目的是让训练样本不是某个人手工导出的 Excel而是一段可以反复重跑的数据流水线。拿到脚本时先别在 IDE 里直接运行先去文件开头看它是否已经封装了 argparse很多课程项目把 API key 写成全局常量这种写法一旦被改坏后面所有实验都依赖同一份本地缓存。我一般会在终端里先试一下python getNRELdata.py --help python getNRELdata.py --lat 39.91 --lon -105.23 --start 2022-01-01 --end 2022-12-31 data/nrel/如果脚本支持参数第一条命令会列出全部可选参数lat/lon指定目标点start/end决定训练集的时间跨度最后一个位置参数是输出目录。如果不支持就用python getNRELdata.py跑一次再去看它默认写到了哪个目录。需要提醒的是NREL 接口的访问策略和网络环境会变所以我会把拉下来的原始数据存成 csv 放在data/下后续 datamgr 只读本地文件这样训练过程可以重复、离线运行。参数常见取值作用--lat / --lon39.91 / -105.23目标经纬度决定读取哪个站点--start / --end2022-01-01 / 2022-12-31时间过滤单位通常是小时--out_dirdata/nrel原始 csv 落盘目录2.2 datamgr.py滑窗、预测步长与特征列对齐气象数据是时间序列但模型不能把整年数据直接塞进神经网络。常见做法是把过去window个时间点的气象特征作为输入把未来第horizon个时间点的风速和功率作为标签。datamgr.py 的工作就是完成这个滑窗转换。窗口太长会稀释近期的变化窗口太短抓不到中尺度气象过程我拿到这类项目会先把窗口设成 72 小时、预测步长设成 6 小时跑通后再对比 24 和 168。datamgr 里通常有一段类似下面的逻辑import numpy as np import pandas as pd def build_samples(df, window72, horizon6, feature_colsNone, target_cols(wind_speed, power)): feature_cols feature_cols or [wind_speed, wind_direction, temperature, pressure] xs, y_speed, y_power [], [], [] values df[list(feature_cols) list(target_cols)].astype(np.float32).values for i in range(len(df) - window - horizon 1): x values[i:i window, :len(feature_cols)] # 只看输入特征 t i window horizon - 1 # 标签时刻 xs.append(x) y_speed.append(values[t, len(feature_cols)]) # 风速标签 y_power.append(values[t, len(feature_cols) 1]) # 功率标签 return np.stack(xs), np.array(y_speed), np.array(y_power)上面这段代码用i window horizon - 1而不是i window是因为我们要求标签是「预测窗口结束后再过 horizon 个点」的结果如果你希望预测的是未来 6 小时而不是未来第 6 个点可以把horizon换成horizon - 1。返回值x的形状是(样本数, window, 特征数)后面模型会在这个形状上继续扩展站点维度。需要特别检查的是df是否按时间排序并做过缺失值处理很多模型训练时 loss 突然变成 nan不是网络问题而是数据里混进了 NaN。2.3 从单风机到多站点把样本拼成时空矩阵Deep-Spatio-Temporal这个目录名里的 Spatial 不是装饰。真实风电场中上游风机产生的尾流会让下游风机风速延迟十几分钟到达单看某一台风机的历史风速模型学不到这种空间传播关系。所以数据管理在 datamgr 里做第二件重要的事把同一时刻多个站点的滑窗特征沿站点维度拼接得到(B, T, N, F)的四维样本。B是 batchT是时间窗长度N是站点数F是特征数。如果这个项目的数据只有一个站点那N1模型退化为纯时间序列模型如果以后要迁移到别的风机数据只要把新站点按固定顺序插入同一维度即可模型结构不用动。还要注意归一化不能直接对整个 DataFrame 做StandardScaler因为训练和推理必须使用同一套均值和方差。更稳妥的做法是from sklearn.preprocessing import StandardScaler scaler StandardScaler() train_values df_all[feature_cols].values scaled scaler.fit_transform(train_values) # 保存 scaler预测阶段重新加载并用 transform不要再次 fit把scaler和权重文件放在 outputs 同一目录是我在多个时序项目里的固定习惯。这样wind_speed.pt、wind_power.pt才能被重建出同分布的输入不然后续推理得到的结果和训练时完全不是同一套尺度误差会非常大。3. 模型实现model.py 里的时空特征提取与双任务输出3.1 为什么时空网络比单点 LSTM 更适合风速预测单纯用 LSTM 学风速序列模型能看到的是某一根测风塔自己的历史。它不知道风是从哪边来的也不知道相邻塔是不是已经先观测到了同一批气流。时空模型在这个问题里的价值是让每个时刻的隐藏状态不只是时间维度的累积还能通过注意力或图卷积去融合邻近站点的信息。源码根目录里的model.py对应的是这个思路前端做空间特征交互中间用循环结构维护时间依赖末端接预测头。我在课程设计和期末作业里最常见的翻车点是「把时空模型当黑盒直接调参」。实际只要抓住一个原则时间维度和空间维度在 tensor 里的位置应当是固定的。比如输入是(B, T, N, F)空间操作发生在N维上时间操作发生在T维上。如果你把reshape写错模型不会报错但注意力机制会去混洗错误维度的信息训练曲线会平稳得怪异且无法解释。3.2 站点级注意力 GRU 的模型骨架model.py的真实类名我建议以文件为准但它大概率逃不出下面这套组合。这个结构也是这类 Deep-Spatio-Temporal 项目最常使用的骨架import torch import torch.nn as nn class DeepSpTemp(nn.Module): def __init__(self, num_features, hidden64, num_heads4, horizon6): super().__init__() self.feat_proj nn.Linear(num_features, hidden) # 特征升维 self.spatial nn.MultiheadAttention(hidden, num_heads, batch_firstTrue) self.gru nn.GRU(hidden, hidden, batch_firstTrue) # 时间建模 self.head nn.Linear(hidden, horizon) # 多步输出 def forward(self, x): # x: (B, T, N, F) B, T, N, F x.shape h torch.relu(self.feat_proj(x)) # (B, T, N, C) h h.reshape(B * T, N, -1) # 合并 batch 与 time把站点当序列 h, _ self.spatial(h, h, h) # 站点间注意力 h h.reshape(B, T, N, -1).mean(dim2) # 聚合成风场级特征 h, _ self.gru(h) # 时间建模 return self.head(h[:, -1, :]) # 最后一个时间步输出 horizon 个值这段代码的前向过程可以分四步读。第一步把原始特征线性映射到隐藏维度第二步把B和T合并只对N这个维度做 multi-head attention让每个站点的表示根据其他站点的当前状态加权更新第三步对站点取平均或取池化得到一个能代表整个风场当前状态的向量第四步把按时间排序的这些向量送入 GRU用最后一个时间步的隐状态预测未来horizon个时刻。注意这里的head输出的是多步预测的列表不是单点如果你只想预测下一个点把输出维度改成 1 即可。模型里可以调整的参数主要是hidden、num_heads、horizon。hidden增大通常能提升拟合能力但也会让训练更慢且更容易在小数据集上过拟合num_heads控制空间注意力从多少个子空间去观察站点关系一般 4 或 8 就够整个项目里 num_sites 不需要作为固定参数因为 reshape 和 attention 都能自适应。组件作用常见默认值feat_proj把原始气象特征映射到隐藏空间hidden64spatial在站点维上做注意力heads4gru时间维度的状态传递hidden64head输出未来多个时刻的预测horizon63.3 风速和功率为什么要分两个头、保存两个权重项目里最终产出了wind_speed.pt和wind_power.pt两个权重文件这是大多数人第一次看会忽略的细节。风速预测和功率预测的损失函数性质不同风速接近正态分布MSE 更温和功率在切入风速附近会因为三次方关系出现陡峭梯度同样的偏差在低风速和高风速段的惩罚不应相同。把两个任务塞进一个模型头往往会让模型为了迁就功率的陡峭区间而牺牲风速的平稳性分开训练后每个模型可以使用自己的归一化参数和早停条件。如果你仍然想在同一模型里共享特征提取器可以加两个独立 headclass TwoHeadModel(nn.Module): def __init__(self, backbone, speed_head, power_head): super().__init__() self.backbone backbone self.speed_head speed_head self.power_head power_head def forward(self, x): feat self.backbone(x) return self.speed_head(feat), self.power_head(feat)共享 backbone 的优点是参数少、训练数据利用率高缺点是 backprop 时两个 loss 会互相拉扯。我自己的做法是如果数据集只有一年且单站点先各自训练保证每个任务都有独立的 metrics 文件如果后续加了多站点数据再考虑双 head。这个决策最好直接反映在train.py的启动参数里比如--task speed和--task power。4. 训练链路与评估闭环train.py / trainer.py / utils.py 的协作方式4.1 trainer.py 的训练循环梯度裁剪与双任务 loss拿到项目后我建议先把trainer.py当成调试入口不要一上来就去看模型结构。utils.py负责数据集读取、指标计算这类可复用函数trainer.py负责真正的参数更新train.py则把数据管理、模型、训练器拼成一条命令。训练循环里最值得注意的是一段梯度更新代码项目中可能略有变动但核心结构是def train_one_epoch(model, loader, optimizer, criterion): model.train() epoch_loss 0.0 for x, y in loader: # y 可以是风速或功率由 --task 决定 optimizer.zero_grad() pred model(x) # shape: (B, horizon) loss criterion(pred, y) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm5.0) optimizer.step() epoch_loss loss.item() return epoch_loss / len(loader)这里两行值得解释。第一clip_grad_norm_把整体梯度范数限制在 5.0风电数据里偶发的异常样本会产生很大的梯度尖峰不裁剪的话一个 batch 就可能让训练发散。如果你看到 loss 曲线在某个 epoch 突然跳到 nan先把这个 max_norm 调小到 1.0。第二如果项目里确实用 shared backbone 一次输出风速和功率两个预测就需要把 loss 写成criterion(pred_speed, y_speed) 0.8 * criterion(pred_power, y_power)0.8 是常用权重因为功率数值范围通常远大于风速直接相加会让反向传播被功率主导。训练中另一个容易被忽略的点是 shuffle。时间序列样本之间存在强自相关训练集 shuffle 可以加速收敛但验证集必须保持时间顺序否则你会用未来信息污染评估结果。4.2 train.py 启动参数与 checkpoint 命名规则train.py是项目最简单的入口。常见调用如下但请先看 README 或脚本 argparse 里的默认值python train.py --task speed --window 72 --horizon 6 \ --epochs 120 --batch_size 64 --lr 1e-3 --outdir outputs这条命令做的事情是用过去 72 小时的特征预测未来第 6 小时训练 120 轮每批 64 个样本。--lr 1e-3是 Adam 系优化器的常用起点数据量不大时可以降到5e-4以获得更平稳的验证曲线。--task参数决定保存到outputs/wind_speed.pt还是outputs/wind_power.pt相应的 metrics 也分开落盘避免两个任务互相覆盖。我通常会在 120 轮里加一个 early stopping每轮评估验证集 MAE如果连续 15 轮没有提升就恢复历史最优权重并结束训练。参数表如下参数影响排错提示window输入时间长度过小会导致 R² 偏低horizon预测提前量增大后误差通常变大batch_size显存与梯度稳定性太大容易震荡lr收敛速度loss 抖动时优先调小outdir权重与 metrics 路径确认目录存在再训练跑通后outputs/下会多出四个文件两个.pt权重和两个.csv指标。.pt文件名必须与--task严格对应这也是我建议保留outputs目录不清理的原因。4.3 从 metrics CSV 里判断模型是否过拟合wind_speed_metrics.csv和wind_power_metrics.csv记录了每个 epoch 或每次验证的指标。用 pandas 直接读import pandas as pd speed_metrics pd.read_csv(outputs/wind_speed_metrics.csv) power_metrics pd.read_csv(outputs/wind_power_metrics.csv) print(speed_metrics.columns) print(speed_metrics.tail())如果列名里包含epoch、mae、rmse、r2那就可以把r2拿出来画验证曲线。一个常识是验证集 R² 如果小于 0说明模型比「直接用训练集风速均值」还差问题往往不在模型结构而在数据顺序打乱或归一化没有按时间切分。可视化时把 metrics 文件按 epoch 对齐看能明显看到模型在前 20 轮快速下降、之后平台化的趋势如果训练 loss 持续下降但验证 loss 在第 40 轮附近掉头上涨说明过拟合已经开始了。另外这份项目把风速和功率的 metrics 分开放不完全是方便论文插图更关键的是两个任务的评估场景不同。风速预测看 MAE 和 R² 就够功率预测还要额外关心相对误差和大风段误差因为并网考核直接跟功率偏差挂钩。我常把wind_power_metrics.csv按风速分箱后重算每个箱子的 RMSE清晰看出模型在哪个风速区间失效。5. 拿 wind_speed.pt 做推理权重加载与迁移前的四个检查5.1 正确加载 .pt 文件这里假设.pt存的是state_dict或包了一层字典这是这类课程项目最常用的保存方式。代码可以先这样写import torch from model import DeepSpTemp # 以实际类名为准 model_speed DeepSpTemp(num_features4, hidden64, num_heads4, horizon6) ckpt torch.load(outputs/wind_speed.pt, map_locationcpu) if isinstance(ckpt, dict) and state_dict in ckpt: state ckpt[state_dict] else: state ckpt model_speed.load_state_dict(state) model_speed.eval()如果之前保存的是{state_dict: ..., epoch: 42}上面会取出state_dict如果项目只保存了权重字典也能直接加载。实际使用中不要写成model_speed torch.load(...)就完事因为加载到的可能是带优化器状态的大字典也可能因为 torch 版本不同导致结构对不上。5.2 用训练时的 scaler 重建输入推理最容易踩的坑是忘了把新数据做相同的归一化。下面这段演示了如何在加载权重后用之前保存的 scaler 处理一个样本import numpy as np sample np.array([[...]]) # shape: (window, num_features) sample scaler.transform(sample.reshape(-1, sample.shape[-1])).reshape(sample.shape) x torch.tensor(sample, dtypetorch.float32).unsqueeze(0) # (1, T, F) with torch.inference_mode(): pred_speed model_speed(x).item() print(pred_speed)上面这段里sample.reshape(-1, sample.shape[-1])是为了让 scaler 按特征维计算transform 后必须还原回原来的二维窗口形状unsqueeze(0)是在 batch 维补一个维度满足模型前向要求的(1, T, F)。inference_mode()会关闭梯度记录推理时显存占用和速度都会更好。5.3 四个快速检查如果预测结果和训练集分布相差很大我先做四件事一是检查特征列顺序NREL 数据的列顺序与datamgr.py里feature_cols稍有不同就会出现静默错误二是确认 horizon 与训练时一致模型输出维度变化后.item()会直接报 shape 错三是把输入时间窗末尾与预测目标时刻的间隔手动对齐避免标签偏移四是把预测出的功率与风速曲线叠加画在功率散点图上看是否落在合理区间。本文还有配套的精品资源点击获取
