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%
训练损失（train_loss）
0.002533
验证损失（val_loss）
0.007217 ↑
关键超参数与评估指标
指标/参数 值 说明 状态 备注
MAE6.72平均绝对误差，越小越好低表现良好
RMSE17.99对大误差更敏感，反映波动性中等偏低整体可控
R²0.8902解释方差比例，接近1为优高拟合效果优秀
MAPE46.04%相对误差，受零值/小值影响大偏高需关注低功率时段
val_loss / train_loss2.85×过拟合风险提示轻微过拟合建议正则化或早停
优化建议
数据总结
该模型在P2413电站上表现出较强的拟合能力（R²=0.8902），但MAPE高达46.04%，表明在低功率时段或异常天气下相对误差显著。RMSE（17.99）约为MAE（6.72）的2.7倍，暗示存在若干较大预测偏差点；验证损失是训练损失的2.85倍，提示存在轻微过拟合现象。
优化建议
  • · 针对MAPE偏高问题，建议引入分位数损失或加权MAE，提升低功率区间的预测鲁棒性。
  • · 验证损失明显高于训练损失，建议增加Dropout、L2正则化，或启用早停机制（patience=3）。
  • · 当前pred_len=seq_len=96（即24小时滚动预测），可尝试缩短输入序列或引入气象协变量以增强泛化能力。
  • · MAE与RMSE差距较大，建议分析残差分布，识别并剔除异常样本或补充清洗规则。