企业官网建设流程全解析

做光伏电站数据分析一年半，我踩过最大的坑就是拿到SCADA系统里几十万条功率曲线后，急着把模型往上一扔就开始训练。后来发现，不管做超短期光伏功率预测、异常检测还是储能充放电策略，第一步都应该先把历史数据里的“典型天气形态”捞出来。我的做法是把每天的功率曲线当成一条时间序列，用K-means聚类算法自动归纳出晴天、多云、阴雨这几类典型形状，再把这个聚类结果作为上游特征喂给下游任务。这篇博文就是这套流程的完整复盘，覆盖数据清洗、特征工程、K值选择、效果评估和落地代码，并附上我在实际项目中踩过的几个坑。

1. 项目整体思路与方案设计

1.1 光伏时间序列聚类的三类典型业务场景

光伏功率时间序列之所以值得做聚类，因为它几乎是所有上层应用的“地基”。第一个场景是超短期功率预测。如果直接用全量历史数据训练预测模型，晴天和阴天的曲线形态会互相干扰，模型学到的混合分布既不像晴天也不像阴天。但按聚类得到的天气类别分别建模，或者把类别标签作为外部特征输入，预测误差会有肉眼可见的下降。

第二个场景是光伏电站运行异常检测。聚类得到的质心曲线就是典型行为画像，某天的实际出力曲线偏离本类质心超过一定阈值，就说明可能有组件脏污、逆变器限功率或者通信丢数的问题。这比单纯设定上下限要灵活得多，因为每一类天气的“正常范围”是完全不同的。

第三个场景是光储联合调度。说白了，储能什么时候充、什么时候放，取决于明天是晴天还是阴天。聚类得到天气类型后，调度策略就可以分场景预设：晴天类多储多发，阴雨类少储少发。这和逆变器侧选择不同的MPPT控制策略、并网控制参数是同一套逻辑——先认天气，再谈控制。

1.2 为什么是K-means，而不是DBSCAN或层次聚类

很多朋友一上来就问我，为什么不试试DBSCAN？说实话，我在这个项目里做过对比。DBSCAN最大的问题是它基于密度的假设，而光伏功率时间序列在经过归一化之后，不同天气类别的密度差异非常大，阴雨天的样本点分布稀疏，往往被当成噪声丢掉。层次聚类倒是能给出完整的层次关系，但日均几千条曲线时，距离矩阵的内存开销就非常难看了，运维老哥看了直接摇头。

K-means在这个场景下胜出的核心原因有三点：

• 计算复杂度是O(n·k·t)，n是样本数，k是类别数，t是迭代次数。几万条日曲线跑下来也就几十秒，不需要GPU。
• 输出的是硬分类，每一条曲线只属于一个类，业务上解释起来非常干脆——“今天是多云类”比“今天是多云类概率60%、晴天类30%”更容易被运营团队接受。
• K-means假设簇近似球形，而光伏典型天气曲线在经过特征工程和归一化之后，样本分布相对紧致，基本满足这个假设。

当然，K-means的短板也很明显：对初始质心敏感、K值不好确定、原始高维曲线直接聚类容易失效。这些痛点我在后面都给出了对应的解决方案。

1.3 聚类不是终点，而是特征工程的一环

我必须强调一个容易被忽略的定位：聚类本身并不直接产生业务价值，它的价值在于为后续任务提供更干净的输入。在我的项目里，聚类标签被用于三类下游任务：第一类是把每个聚类的质心曲线作为典型日曲线库，用于超短期预测模型的特征拼接；第二类是把样本到本类质心的距离作为异常分数；第三类是把“天气类型转移矩阵”用于日内滚动预测，比如今天聚类结果是晴天，明天的超短期预测就优先参考历史晴天类的出力规律。

想清楚这个定位，后面所有设计决策就都有了明确的判据：聚类效果好坏的最终标准，是下游预测误差是否下降、异常检出是否合理，而不是某一个人工指标是否漂亮。

2. 数据预处理与特征工程：决定聚类效果的两块基石

2.1 原始数据清洗：先去掉夜晚的“假零”

光伏电站SCADA系统返回的数据一般是15分钟一条，一天96点。第一条要处理的坑是夜间和凌晨的数据几乎全是0值。如果直接把96个点全部扔进K-means，欧氏距离会严重看向后半夜那一堆零值，聚类结果大概率变成“零值多”和“零值少”的划分，而不是天气形态的划分。

我的做法是先切出有效发电区间。用辐照度阈值判断每天的实际发电时段，比如辐照度连续低于30W/m²的时间段直接裁掉。不同季节日照时长不同，所以还要把裁出来的曲线统一插值到同一个长度，比如48个点。这一步做完，数据量从96维降到48维，而且每一条曲线都是从“早上升功率”到“晚上降功率”的完整有效形态。

另外一个细节是坏数的识别。如果某一天有效数据点不到总长度的三分之二，或者全天最大功率低于装机容量的5%，这条曲线直接丢弃。补出来的数据形态是失真的，补了反而污染聚类质心，丢掉是最省心的选择。

注意：清洗的目标不是数据量最大化，而是样本形态保真。光伏聚类对脏数据的容忍度非常低，一条坏曲线混进晴天类，质心曲线就会被拉歪。

2.2 特征工程：不能只取统计量，也别裸用整条曲线

业内做时间序列聚类通常有两条路线。一条是直接对原始曲线聚类，但48维甚至96维的数据在欧氏距离下区分度很差，特征空间太稀疏，聚类结果会非常不稳定。另一条是只取统计特征，比如日均功率、峰值功率、峰值时刻、总发电量，这类特征能区分晴天和阴天，但完全分不清“上午晴下午阴”和“上午阴下午晴”。

我最后采用的特征向量是“归一化曲线+统计特征”的双通道方案。以48点有效曲线为例，特征向量一共53维：

• 48维归一化曲线，把曲线形态完整保留下来；
• 1维峰值功率，代表当天最大出力水平；
• 1维平均功率，代表整体发电量水平；
• 1维波动率，用相邻点差绝对值之和除以峰值功率，用来描述云遮挡造成的抖动幅度；
• 1维峰值出现时间占比，用来区分上午峰值和下午峰值；
• 1维正午前后对称性指标，直接计算上午均值和下午均值的差值比。

这里最特殊的是保留归一化曲线。原因很简单，晴天曲线的“单峰拱形”和阴天曲线的“平台形”之间的差异在统计量上未必显著，但欧氏距离能够捕捉。归一化的方式是每个样本除以自身最大值，这样形态可以放在同一尺度下比较，而峰值功率和平均功率这两个统计特征负责表达“大小”差异。两者互补之后，K-means的聚类结果才真正具备天气语义。

实操心得：归一化这里的坑是“样本内归一化”和“样本间归一化”容易搞混。只做样本内归一化，聚类看的是形态；只做样本间归一化，看的是绝对大小。通常应该是样本内归一化让曲线形态对齐，再把峰值功率等统计量作为额外维度重新参与标准化。两边信息都不能丢。

2.3 平滑与重采样：抑制云遮挡尖刺

光伏曲线最常见的问题是云遮挡导致功率剧烈抖动，比如原本平缓的晴天曲线上突然出现几个刺。这些高频尖刺对聚类形态影响很大，处理方式是对每条曲线做滑动平均，窗口选3个点（45分钟）。窗口太大形态会被抹平，太小又起不到抑制尖刺的作用。实测下来，3点窗口对云遮挡抖动的抑制效果最好，同时不会破坏晴天曲线的峰值形状。

另外，重采样时我建议统一采用线性插值，不要用多项式插值。光伏日曲线形状接近多个分段线性段，多项式插值容易在端点产生龙格现象，引入不存在的形态特征。

3. K值选择与聚类优化：从肘部法则到业务校准

3.1 手肘法则和轮廓系数要组合看，不能只看一个

K值选择是所有聚类项目里最让人头秃的问题。我在项目里用了三层方法，第一层是手肘法则，画出K从2到8的SSE（簇内误差平方和）曲线，找下降趋势的拐点。光伏数据的SSE曲线通常在K=3或K=4时出现明显拐点，因为天气类型本身就大概分成晴、多云、阴雨三大类。

第二层是轮廓系数，取轮廓系数最大的K。但这个指标有个毛病，它经常会评分K=2，因为两个大簇分开时轮廓最明显，却忽略了内部的天气细节。所以第三层就是业务校准——把K=3、4、5时的聚类中心曲线画出来，和气象站的实际天气记录对比。

3.2 K值的业务语义：3类可解释，5类更适合预测

我实际测试下来，K=3时聚类结果非常干净，对应晴、多云、阴雨三种天气形态，解释性极强，适合做业务汇报和规则说明。但做超短期功率预测时，我发现K=5效果更好，因为K=3把“强晴天”和“一般晴天”混在了一起，而这两者的爬坡率差别很大，混在一起会导致预测模型在强晴天的中午时段系统性偏低。

K=5的类别会自然拆成“强晴天”“一般晴天”“晴间多云”“阴天”“雨天”。代价是部分相邻类别之间的轮廓系数下降，样本分割变细。所以在我的项目里，如果是做调度策略解释，用K=3；如果是做超短期预测的输入特征，用K=5。

3.3 优化手段：K-means++、多次重启和Mini-Batch

K-means对初始质心敏感是出了名的，我的处理方案有三个：

• 初始化方式务必要用K-means++，让初始质心彼此尽量拉开，避完全随机初始化导致落入局部最优。
• 设置n_init=30，跑30次随机初始化，保留SSE最小的那一次。在几条万条曲线的规模上，这个成本可以忽略，但稳定性提升很大。
• 如果数据量到百万级别，可以切到Mini-Batch K-means，每次迭代只采样一小批样本更新质心。实测下来200万条曲线、K=5，Mini-Batch K-means比标准K-means快了近一个数量级，聚类中心曲线基本一致。

实操心得：做聚类一定要固定随机种子。我在项目里固定random_state=42，否则每次跑出来类别序号都是乱序的，比如今天1号类是晴天，明天1号类变成阴天，下游自动化的规则就全乱了。

4. 聚类评估与结果分析：指标只是及格线，业务验证才是加分项

4.1 结构化指标怎么看

评估聚类效果我用三个指标一起看，不单独看某一个：

• 轮廓系数（Silhouette Coefficient）：范围-1到1，光伏数据K=3时一般能到0.45-0.55，说明簇内紧致、簇间分离都尚可。低于0.3说明特征工程可能出了问题。
• Davies-Bouldin指数（DBI）：越小越好，光伏数据K=5时0.7左右是正常状态。如果超过1.0，说明类间重叠严重。
• Calinski-Harabasz指数（CH）：越大越好，这个指标对簇数不敏感，可以配合轮廓系数做交叉参考。

三个指标之间如果出现矛盾（比如轮廓系数说K=2好，CH说K=6好），不用纠结，这时候以业务语义和下游任务表现为准。

4.2 业务验证：让聚类结果自己“说话”

指标只能证明聚类在数学上合理，但我要的是聚类结果能解释普遍规律。我常用的业务验证方法是交叉表。把聚类的类别标签和气象站当天实际天气记录做交叉统计，比如聚类出5类，天气记录有“晴、多云、阴、小雨、大雨”5类，一个高质量的聚类结果会让交叉表呈明显的对角占优。

另一个方法是画每类的平均曲线和标准差范围带。平均曲线应该形似典型的天气功率曲线，标准差带则反映类内样本的离散程度。如果某一类的平均曲线形态诡奇怪异，比如上午出现横线，多半是特征工程里有问题，需要回头检查。

4.3 稳定性评估：换个随机种子结果不能崩

最后一定要做的评估是稳定性。我用Adjusted Rand Index（ARI）来比较不同随机种子下聚类结果的一致性。同一份数据，随机种子换一换，ARI应该接近0.9以上；如果两次聚类结果ARI只有0.5，说明数据本身结构不够清晰或者特征区分度不足，聚类结果缺乏可复现性，下游自动化任务会非常痛苦。

4.4 聚类结果如何落地到预测与异常检测

聚类尘埃落定之后，我建议把聚类中心提取为“典型天气曲线库”，这个库可以做很多事情：

• 超短期预测：把“当前时刻功率曲线最接近哪个质心”作为离散特征输入，或者按类分别训练多个轻量预测模型，推理时先分类再预测。
• 异常检测：计算新一天曲线到本类质心的动态时间弯曲距离或欧氏距离，超过类内距离分布的95分位数就告警。
• 逆变器控制：识别出多云高波动类之后，提前把MPPT的扰动步长调小，或者在并网控制的功率平抑策略里切换更适合波动场景的参数。这是光伏板到逆变器到储能到配电箱整条链路里，聚类结果直接参与控制决策的典型方式。

5. 完整代码实战：从模拟数据到聚类评估的一次跑通

5.1 代码结构总览

这一节给出一份可直接运行的完整代码。为了演示流程，我用numpy生成三条基线的模拟光伏日功率曲线，合成了1000条样本，其中45%晴天、30%多云、25%阴雨。真实电站SCADA数据的接入方式是对应位置替换成读取数据文件的步骤。整个流程包括数据生成、有效区间切分、特征构建、K值评估、聚类与评估、典型曲线输出六个部分。

5.2 数据生成与有效区间切分

import numpy as np import pandas as pd from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler from sklearn.metrics import (silhouette_score, davies_bouldin_score, calinski_harabasz_score, adjusted_rand_score) import matplotlib.pyplot as plt # ---------- 1. 模拟光伏日功率曲线 ---------- np.random.seed(42) days = 1000 # 模拟1000天 points = 96 # 15分钟采样，一天96点 # 真实标签：0晴天，1多云，2阴雨 true_labels = np.random.choice([0, 1, 2], size=days, p=[0.45, 0.3, 0.25]) time_idx = np.linspace(0, 1, points) def base_curve(c): t = time_idx if c == 0: # 强晴天：单峰拱形 curve = np.clip(np.sin((t - 0.22) * np.pi * 1.05), 0, 1) ** 1.1 peak = np.random.uniform(0.9, 1.0) elif c == 1: # 多云：波形叠加高频扰动 curve = np.clip(np.sin((t - 0.22) * np.pi * 1.05), 0, 1) ** 1.3 peak = np.random.uniform(0.55, 0.8) wave = 1 + 0.4 * np.sin(7 * t + np.random.uniform(0, np.pi)) curve *= wave * np.random.uniform(0.8, 1.2) else: # 阴雨：低矮平缓 curve = np.clip(np.sin((t - 0.22) * np.pi * 1.05), 0, 1) ** 2.0 peak = np.random.uniform(0.2, 0.5) curve *= np.random.uniform(0.7, 1.0) curve += np.random.normal(0, 0.03, size=points) curve = np.clip(curve, 0, 1) return np.round(peak * curve, 4) data = np.array([base_curve(c) for c in true_labels]) df = pd.DataFrame(data, columns=[f"t{i}" for i in range(points)]) df["true_weather"] = true_labels # ---------- 2. 切分有效发电区间 ---------- # 这里用索引模拟“8:00-17:00”，对应32到68点 work_raw = df.iloc[:, 32:69].values # 每天37点 valid_mask = work_raw.mean(axis=1) > 0.05 work_curves = work_raw[valid_mask] true_labels_valid = true_labels[valid_mask] print("有效样本数:", work_curves.shape[0])

5.3 特征工程：形态特征与统计特征拼接

# ---------- 3. 特征工程 ---------- # 3.1 样本内归一化，保留形态特征 peak_val = work_curves.max(axis=1, keepdims=True) norm_curves = work_curves / (peak_val + 1e-9) # 3.2 统计特征 peak_series = peak_val.ravel() mean_series = work_curves.mean(axis=1) diff_sum = np.abs(np.diff(work_curves, axis=1)).sum(axis=1) volatility = diff_sum / (peak_series + 1e-9) peak_time = np.argmax(work_curves, axis=1) / work_curves.shape[1] # 正午前后对称性：上午均值和下午均值差比 half = work_curves.shape[1] // 2 symmetry = (work_curves[:, :half].mean(axis=1) - work_curves[:, half:].mean(axis=1)) / (mean_series + 1e-9) X = np.hstack([norm_curves, peak_series.reshape(-1, 1), mean_series.reshape(-1, 1), volatility.reshape(-1, 1), peak_time.reshape(-1, 1), symmetry.reshape(-1, 1)]) # 3.3 标准化：所有特征缩放到同一尺度 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) print("特征矩阵维度:", X_scaled.shape)

# ---------- 4. K值评估（肘部法则 + 轮廓系数） ---------- sse_list, sil_list = [], [] K_range = range(2, 9) for k in K_range: km = KMeans(n_clusters=k, init="k-means++", n_init=30, random_state=42) y = km.fit_predict(X_scaled) sse_list.append(km.inertia_) sil_list.append(silhouette_score(X_scaled, y)) # 输出K值评估表 for k, sse, sil in zip(K_range, sse_list, sil_list): print(f"K={k} SSE={sse:.1f} 轮廓系数={sil:.4f}")

运行这段代码，输出会类似：

K=2 SSE=5214.3 轮廓系数=0.5832 K=3 SSE=3891.5 轮廓系数=0.5136 K=4 SSE=3224.7 轮廓系数=0.4619 K=5 SSE=2655.2 轮廓系数=0.4431 K=6 SSE=2311.4 轮廓系数=0.4123

手肘的位置出现在K=3，因为天气类型天然是三分类。虽然轮廓系数在K=2时更高，但结合业务需求，K=3是“晴天/多云/阴雨”，可解释性最好。

5.4 聚类与多维度评估

# ---------- 5. 最终聚类与评估 ---------- K = 3 km_final = KMeans(n_clusters=K, init="k-means++", n_init=30, random_state=42) y_final = km_final.fit_predict(X_scaled) # 结构化指标 sil = silhouette_score(X_scaled, y_final) dbi = davies_bouldin_score(X_scaled, y_final) ch = calinski_harabasz_score(X_scaled, y_final) print(f"轮廓系数={sil:.4f}, DBI={dbi:.4f}, CH={ch:.1f}") # 稳定性评估：不同随机种子聚类一致性 from sklearn.metrics import adjusted_rand_score km_again = KMeans(n_clusters=K, init="k-means++", n_init=30, random_state=2024) y_again = km_again.fit_predict(X_scaled) ari = adjusted_rand_score(y_final, y_again) print(f"两次随机种子聚类ARI={ari:.4f}") # 交叉表：聚类标签 vs 真实天气标签 cross = pd.crosstab(y_final, true_labels_valid, rownames=["聚类标签"], colnames=["真实天气"]) print(cross)

典型输出如下表所示（模拟数据的随机种子固定，每次结果可复现）：

这张交叉表说明聚类结果和真实天气的匹配度很高，0号类主要对应晴天，1号类主要对应多云，2号类主要对应阴雨。

5.5 提取典型天气曲线库

# ---------- 6. 绘制每类的典型出力曲线 ---------- fig, ax = plt.subplots(figsize=(10, 4)) for i in range(K): members = work_curves[y_final == i] mean_curve = members.mean(axis=0) ax.plot(mean_curve, label=f"聚类{i}典型曲线") ax.legend() plt.title("三类别典型光伏出力曲线") plt.show() # 储存质心曲线到csv，后续预测模型直接读取使用 pd.DataFrame(work_curves[y_final == 0].mean(axis=0)).T.to_csv("cluster_0.csv", index=False)

这一步输出的三张典型曲线图，应该分别对应“高而窄的晴天单峰”“中等高度的波动型曲线”“低而平的阴雨型曲线”。如果符合这个直觉，说明特征工程没问题。

6. 常见问题与排查技巧实录

6.1 聚类结果被“零值多少”主导，而不是天气形态

如果你发现聚类结果里普天气型形貌模糊、几十个簇中心的差异只在绝对功率大小，最可能的原因是有效区间切分不到位或者夜间零值没有被裁干净。我排查时会先画几条不同簇的平均曲线，如果发现曲线后段拖着一截零值水平线，基本就是切分和清洗的问题。修复方式是把有效区间切分的辐照度阈值从30W/m²提高到50W/m²，并重新做曲线对齐。

6.2 聚类结果不稳定，换了种子类别就乱跳

这个现象通常有两个来源。一是特征向量里归一化曲线维度占比太高，统计特征被“淹没”，导致对微小噪声敏感；二是K值取在了轮廓系数的平缓区，此时多个K都差不多，K-means在多个局部最优上来回横跳。我的处理方式是给特征向量加权，把归一化曲线部分乘以0.6权重，统计特征乘以0.4权重，然后固定随机种子并跑30次取最优SSE。

6.3 过渡日的归属总是漂移

晴转阴的过渡日、上午晴下午雨的切换日，聚类时归属不稳定非常正常。我的方案是不追求一天只能属于一个类，而是先算软分类分数，即样本对每个质心的欧氏距离，然后对这三五个距离分数做时间维度的滑窗滤波。比如天气标签连续三天在晴天和多云之间反复横跳，就取三天内距离最小的质心作为最终归属，过渡日会更平滑，也更符合气象上的连续性。

6.4 类数量增加，业务解释却变差怎么办

当你把K从3加到5，结果多出来的两个类不仅没有明确语义，还和已有的类重叠严重，下游同事完全不知道该怎么用。这时候不要硬撑。K=5如果解释不了，退回到K=3作为主标签，再把K=5的结果作为细分标签保留在数据库里。聚类是为业务服务的，不是为指标服务的。

6.5 聚类结果和气象站天气记录对不上

遇到这种情况，先检查气象站的位置和电站的实际距离。超过几十公里的气象站，局部阵雨和云团移动会让标签完全错位。另一个可能是时间粒度不匹配，气象站按小时记录，功率曲线是15分钟粒度。我的做法是把气象记录重采样到15分钟，再和聚类标签做对齐。如果距离远到无法对齐，就干脆放弃严格的天气标签校验，改用“电站本身的出力形态”作为业务验证标准，毕竟聚类对象是功率曲线本身，不是气象数据。

提示：我印象最深的一次项目事故，是有一批数据里混入了停机检修日。这些天的曲线是一条接近0的直线，聚类时全部归到了阴雨类，把“纯阴雨天”的平均曲线拉高了将近一半。后来我在清洗阶段加入一条硬性规则：全天最大功率低于装机容量5%的样本单独标记为“无效/停机日”，不参与聚类，只保留单独告警。从此这类污染就没有再出现过。

最后再分享一个对我来说最重要的小技巧：永远通过下游任务来验证聚类质量，不要沉浸在手肘图和轮廓系数里。把聚类标签接入超短期预测模型之后，预测误差RMSE如果能稳定下降5%到10%，说明这套聚类是真正有用的。如果指标很好看但下游任务没有变化，那大概率是聚类结果在自嗨，重新检查特征工程才是解决问题的正道。