毕设选题-深度学习光伏功率预测系统实战附源码及资料

基于 Flask + VMD + BiGRU-Transformer 的光伏功率预测系统实战：从数据上传到 96 点功率预测可视化

项目源码及资料：https://download.csdn.net/download/DeepLearning_/92814199

一、项目简介

最近做了一个面向光伏场景的功率预测项目：光伏功率预测系统。它不仅仅是一个单纯的模型脚本，而是一个完整的 Web 系统，支持用户登录、数据上传、预测分析、日历展示、仪表盘统计、消息管理等功能。

和很多“只停留在模型训练阶段”的项目不同，这个系统更强调“模型 + 平台化展示 + 业务落地”的结合：

• 后端用 Flask 搭建 Web 服务
• 数据层使用 SQLite 封装访问
• 预测核心采用 VMD 分解 + 8 模态融合预测
• 单模态模型基于 BiGRU + Transformer
• 前端通过原生 HTML + CSS + JavaScript 与 Chart.js 完成页面展示

如果你正在做：

• 光伏功率预测
• 时间序列预测系统
• 深度学习模型的 Web 部署
• 毕设/课程设计/工程实训

那么这个项目会很有参考价值。

---

二、项目能做什么？

这个系统并不是“上传文件 -> 返回一个数值”这么简单，而是围绕光伏功率预测场景做了完整设计。

1. 用户认证

系统支持用户注册、登录、退出，并通过会话机制控制访问权限。

适合做多用户的数据管理和预测结果隔离。

2. 数据文件上传与管理

用户可以上传光伏功率 Excel 数据文件，系统会自动：

• 校验文件格式
• 保存原始文件
• 记录文件信息到数据库
• 自动触发预测流程

同时支持文件列表、分类筛选、信息编辑、数据预览和删除。

3. 仪表盘可视化

系统首页提供了比较完整的业务指标展示，例如：

• 当日预测总功率
• 当日预测准确率
• 异常报警数
• 过去 7 天预测值与实际值对比
• 月度预测曲线
• 年度收益趋势

这类页面非常适合作为课程设计答辩或者项目展示首页。

4. 发电日历

发电日历页面可以按月查看每日功率情况，将预测值、实际值、异常统计结合起来展示，更接近真实业务系统的交互方式。

5. 96 点细粒度功率预测

项目的一大亮点，是将一天按照 15 分钟一个时间点 进行划分，总共得到 96 个时间点 的预测结果。

相比简单的“日总发电量预测”，这种方式具有更高的业务价值：

• 能反映一天内功率波动变化
• 更适合调度、消纳、异常监控
• 更接近实际电站运行分析需求

---

三、技术栈总览

后端技术

• Flask 3.0.0
• Flask-CORS
• Werkzeug
• SQLite

数据与算法

• Pandas
• NumPy
• Scikit-learn
• TensorFlow 2.16.1
• Keras 3.0.0
• vmdpy
• joblib

前端技术

• HTML5
• CSS3
• JavaScript
• Chart.js

从技术复杂度来看，这个项目属于比较典型的“机器学习/深度学习 + Web 系统集成”方案，很适合作为完整项目案例。

---

四、项目结构解析

项目目录比较清晰，核心结构如下：

guangfufa/
├── app.py                     # Flask 主应用
├── model_predictor.py         # 核心预测逻辑
├── sqlite_db.py               # SQLite 数据库封装
├── requirements.txt           # 依赖文件
├── database.sql               # 数据库脚本
├── daily_power_model.h5       # 兼容旧模型
├── daily_power_scaler.pkl     # 兼容旧标准化器
├── NEW_MODELS/                # 新版 8 模态模型目录
├── templates/                 # 页面模板
├── static/                    # 静态资源
├── uploads/                   # 上传数据文件
├── instance/
│   └── solar_power_forecast.db
└── docs/
    └── VMD融合预测模型文档.md

核心文件职责

app.py

负责：

• 路由定义
• 用户认证
• 文件上传与管理
• 页面渲染
• 接口返回
• 调用预测器完成预测

model_predictor.py

负责：

• VMD 分解
• 特征工程
• 8 个模态模型加载
• 多模态预测结果融合
• 结果写入数据库

sqlite_db.py

负责：

• 初始化数据库
• 创建表结构
• 封装 SQLite 连接与游标
• 将 %s 风格 SQL 自动适配到 SQLite

这一点很巧妙：上层业务代码可以保留类似 MySQL 的写法，但底层由封装层自动转成 SQLite 执行。

---

五、系统核心：预测模型是怎么设计的？

这套系统最有含金量的地方，在于它不是用一个普通 LSTM 直接预测，而是采用了更完整的多阶段预测方案。

1. 整体流程

完整流程如下：

原始光伏功率数据
→ VMD 分解为 8 个模态分量
→ 每个模态分别输入独立深度学习模型
→ 各模态预测结果融合求和
→ 得到最终 96 点功率预测结果

2. 为什么要先做 VMD 分解？

光伏功率序列往往具有以下特点：

• 非平稳
• 多尺度波动明显
• 受天气、季节、时间共同影响
• 噪声较多

VMD（变分模态分解）可以把原始复杂信号拆成多个频率成分更稳定的模态，从而让后续模型更容易学习规律。

简单理解就是：

先把复杂问题拆开，再分别建模，最后再融合，比“一把梭”直接预测更稳。

3. 单模态模型结构

每个模态并不是简单回归，而是使用了 BiGRU + Transformer 的组合：

• BiGRU：提取双向时序依赖
• Transformer 编码器：强化长距离依赖建模能力
• Dense 层：输出下一天的 96 个时间点预测结果

这样的结构兼顾了：

• 时序信息建模
• 局部与全局依赖提取
• 对复杂序列的表达能力

4. 预测窗口设计

系统使用 14 天历史数据 作为输入窗口，预测下一天的 96 个时间点。

这比仅用 1～3 天历史的方式更容易学习季节变化、周内周期和近期波动模式。

---

六、特征工程怎么做？

很多时候，模型效果好不好，不只是网络结构的问题，特征工程也非常关键。

这个项目在推理阶段构建了多类特征：

1. 时间特征

通过周期编码提取时间规律：

• 年内日期正余弦编码
• 月份正余弦编码
• 星期特征
• 是否周末

这有助于模型学习季节性和周期性。

2. 统计特征

对每日 96 点功率计算：

• 日总功率
• 日最大值
• 日均值
• 日标准差

并加入滞后统计量，帮助模型理解最近一段时间的变化趋势。

3. 滚动特征

例如：

• 7 天滚动均值
• 7 天滚动标准差
• 14 天滚动均值

这类特征对时间序列预测非常实用。

4. Lag 特征

对 96 个时间点分别构造滞后值，让模型学习“昨天同一时间点”和“今天预测点”之间的映射关系。

---

七、异常检测也考虑进去了

这个项目不仅预测功率，还考虑了异常数据问题。

系统中使用了 Isolation Forest（孤立森林） 做异常检测，用于识别功率数据中的异常情况。

这在实际场景里非常重要，因为光伏功率数据经常会受到以下因素影响：

• 设备故障
• 传感器异常
• 极端天气
• 缺失值或突刺值

加入异常检测之后，系统不仅可以“预测”，还可以辅助“监测”。

---

八、数据库设计思路

这个项目当前采用 SQLite，非常适合本地演示、课程设计和轻量部署。

主要数据表

1. users

存储用户信息。

2. data_files

记录用户上传的数据文件，包括：

• 文件名
• 文件路径
• 上传时间
• 数据分类
• 描述信息
• 状态

3. predictions

保存按天聚合的预测结果。

4. predictions_96point

保存最关键的 96 点预测明细，包括：

• 预测日期
• 时间点名称
• 时间点序号
• 预测功率
• 实际功率

5. messages

支持系统消息或用户间消息功能。

从这里也能看出，作者并不是只做了个“算法 demo”，而是按照小型业务系统的思路来设计数据结构的。

---

九、项目亮点总结

我认为这个项目至少有下面几个亮点：

亮点 1：不是单纯模型，而是完整系统

很多项目只到 .ipynb 或训练脚本结束，而这个项目已经完成了：

• 模型预测
• 数据上传
• 数据持久化
• 可视化展示
• 用户系统
• 页面交互

完整度很高。

亮点 2：预测粒度足够细

按 15 分钟输出一次，一天共 96 点，比“只预测日总发电量”更实用。

亮点 3：采用 VMD + 多模态融合思路

相比传统单模型预测，这种结构更适合复杂非平稳时序。

亮点 4：适合答辩和展示

这个项目具备典型“可演示特征”：

• 有登录页
• 有仪表盘
• 有图表
• 有数据管理页面
• 有预测结果页面

无论是课程答辩、毕业设计还是比赛作品展示，都比较加分。

---

十、如何运行这个项目？

1. 安装依赖

pip install -r requirements.txt

2. 准备模型文件

确保项目目录下存在：

• NEW_MODELS/ 中的 8 个模态模型及对应 scaler/config
• 或者兼容旧模型 daily_power_model.h5 与 daily_power_scaler.pkl

3. 启动项目

python app.py

启动后即可通过浏览器访问本地服务。

4. 上传数据进行预测

上传的 Excel 文件需要包含：

• SDATE 日期列
• DATA_小时_分钟 格式的 96 个功率点列

例如：

SDATE, DATA_0_0, DATA_0_15, DATA_0_30, ..., DATA_23_45

---

十一、这个项目适合哪些人参考？

我觉得以下几类同学会比较需要这个项目：

1. 做毕业设计的同学

尤其是这些方向：

• 光伏功率预测
• 风电/新能源预测
• 时间序列分析
• 智慧能源系统
• 深度学习部署

2. 做课程设计/实训的同学

因为它同时涵盖：

• 后端开发
• 前端页面
• 数据处理
• 深度学习推理
• 数据库存储

3. 想把算法“做成系统”的同学

很多人会训练模型，但不会部署。这个项目正好能提供一套从模型到系统的完整思路。

---

十二、可以继续优化的方向

当然，这个项目还有不少可扩展空间。

1. 接入天气特征

目前主要围绕功率历史序列建模，如果加入：

• 辐照度
• 温度
• 云量
• 湿度
• 风速

通常还能进一步提升预测精度。

2. 增加模型训练管理页面

目前项目更偏向“推理部署”，如果增加训练任务管理、模型版本管理，会更像工业级平台。

3. 支持多站点预测

当前数据结构已经具备一定扩展性，可以继续支持电站级管理。

4. 优化前端交互体验

比如：

• 增加更细粒度图表联动
• 提供更多筛选维度
• 支持导出预测报表

---

十三、结语

总体来说，这是一个完成度较高的光伏功率预测项目。

它的价值不只是“用了什么模型”，更在于把 预测算法、数据处理、数据库、可视化、用户交互 串成了一个完整闭环。

如果你正在做新能源预测相关项目，这类“算法 + 系统展示”的路线，往往比单纯给出一个模型精度更有说服力。