预测误差趋势模拟图
模型性能指标
MAE（平均绝对误差）
6.72 kW
RMSE（均方根误差）
17.99 kW
R² 决定系数
0.8902 ↑
MAPE（平均绝对百分比误差）
46.04%
验证样本集
测试集
偏差趋势
中等偏高 MAPE，需关注低功率时段误差放大
关键超参数与训练配置
参数 值 说明 状态 备注
model_idP2413_20260329_161543模型唯一标识一致-
pred_len / seq_len96 / 96预测/输入长度（步长）标准支持1天滚动预测
d_model / num_layers64 / 3Transformer隐层维度与层数适中兼顾效率与表达力
train_loss / val_loss0.0025 / 0.0072训练/验证损失略过拟合val_loss ≈ 2.85×train_loss
learning_rate / batch_size0.001 / 128优化器学习率与批大小合理常见稳定配置
优化建议
数据总结
该模型在P2413电站上取得R²=0.8902，表明解释了约89%的功率方差，整体拟合效果良好；但MAPE高达46.04%，提示在低辐照或启停阶段存在显著相对误差。RMSE（17.99）明显高于MAE（6.72），说明存在若干异常大误差点，可能源于云遮突变或设备限电未被充分建模。
优化建议
  • · 针对MAPE偏高问题，建议引入分位数损失或加权MAE，降低低功率段误差权重影响。
  • · val_loss明显高于train_loss，建议增加Dropout（0.1–0.3）或早停机制，缓解过拟合。
  • · 可融合实时气象雷达图像或云团移动特征，提升短时突变响应能力。
  • · 建议按辐照强度分段统计MAPE，定位误差集中区间并针对性增强数据增强策略。