简介《基于改进神经网络的光伏发电功率短期预测方法研究》是一篇技术研究型PDF文档面向光伏发电、电力调度及机器学习建模领域的研究者与工程师主要解决光伏输出功率因辐照度、天气和季节等随机因素难以准确预测的问题。文章提出结合思维进化算法与BP神经网络的MEA-BP短期预测模型输入因子包括大气温度、辐照度、风速和历史输出序列并按春夏秋冬划分为四个预测单元进行训练与仿真验证结果表明该模型能有效降低BP网络的预测误差。这份PDF为单个文件压缩包大小约1.05MB内容包含光伏输出功率特性分析、BP神经网络原理、改进算法设计及实验对比便于读者系统掌握从数据特征到模型构建验证的完整建模思路。目前已有161人学习浏览适合作为光伏功率预测、深度学习改进算法方向的研究参考。1. 光伏发电功率短期预测为什么 BP 网络会翻车MEA-BP 能把 MAPE 从 32% 拉到 15%做光伏功率预测的人都有一个共同感受辐照度一变BP 神经网络的预测值就跟着飘明明训练时误差挺好看一到阴雨天就原形毕露。这篇论文给了一个很实在的解法——把思维进化算法MEA和 BP 神经网络结合起来用 MEA 去搜索 BP 网络的初始权重和阈值替代随机初始化。论文用某 100 MW 并网电站一年的数据做验证模型输入是温度、辐照度、风速和历史出力序列按季节拆成 4 套预测单元最终把平均绝对百分比误差MAPE从 BP 的 32.014% 压到了 15.12%均方根误差RMSE从 7.714 MW 降到 3.8 MW。如果你正在做光伏电站的短期出力预测或者想给 BP 网络找个靠谱的全局寻优方案这篇论文的建模思路和参数设置可以直接拿来用。下文我把模型结构、四季预测单元、训练参数和复现时容易踩的坑逐条拆开讲。2. 光伏出力特性分析辐照度、天气、季节和温度哪些能当输入特征2.1 辐照度与功率的线性关系决定输入特征优先级论文从电站实测数据出发分析了连续 3 天的辐照度和有功功率曲线结论很直接辐照度和发电功率之间有很强的线性关系辐照度越高太阳能电池输出功率就越大。这个结论看似常识但它决定了特征工程的优先级——辐照度必须作为模型的第一输入因子而且最好是预测日的辐照度数据不是单纯的历史辐照度。实际做特征时要注意辐照度的单位问题。有些电站数据给的是辐照度W/m²有些给的是日照强度百分比建议统一换算成 W/m²。另外辐照度数据在早晚时段会出现大量接近 0 的值占比过高会稀释模型对有效时段的拟合能力一般做法是按光伏出力时段截断论文里春季和夏季取 07:00-19:00秋季取 08:00-19:00冬季取 09:00-19:00就是这个道理。还有一种常见误用直接把辐照度当作功率的线性映射来预测。实际上辐照度到功率之间还存在组件温度、转换效率的损耗午后辐照度依然高但功率开始下滑论文里的温度分析也提到了这一点。所以辐照度是主特征但不能是唯一特征。2.2 天气类型与季节差异为什么必须分组建模论文对比了同一个月不同天气下的日功率曲线结论是晴天输出曲线相似且平滑雨天和多云天气下波动剧烈、输出水平低。这意味着如果混着训练网络会被晴天样本主导阴雨天的预测误差会被系统性放大。常见做法是按天气类型给样本分组比如晴、多云、阴、雨四类每类单独训练模型论文的简化方案是按季节分 4 组原因在于季节差异与天气类型的分布强相关。季节的影响在论文里体现得很直观夏季日照时间最长但输出功率最小冬季日照时间最短但输出功率最大。原因不难理解冬季太阳高度角低、空气透明度高加上组件工作温度低转换效率更高。这带来一个启示季节不只是时间标签它同时编码了日照时长、辐照度水平和组件温度三个物理量。所以按季节拆分预测单元既符合物理规律又能降低单一模型的学习难度。从实操角度我不建议把季节作为输入特征传给网络再让它自己学——样本量本来就不大季节特征在网络内部的表达不稳定。论文的分组方案更稳妥四季各建一个预测单元每个单元独立训练、独立预测。2.3 温度是把双刃剑午后功率下滑的物理原因论文的温度分析用了一天内的温度和输出功率对比曲线指出环境温度升高会让光伏组件温度升高转换效率下降因此输出功率在达到峰值后反而会逐渐减小。这是光伏预测里一个非常典型的非线性环节——同样的辐照度早晨和下午的功率输出可能差不少。做特征工程时温度不能只取预测日当天的平均气温我建议把最高气温和最低气温也一起送入模型或者直接使用组件背部温度如果电站有装温度传感器的话。论文的输入向量里包含预测日及前 1 天的平均辐照度、温度、风速属于比较精简的设置。你可以在这个基础上扩展但要注意输入维度增加后隐藏层节点数和训练样本量是否匹配论文后面给出的 4 套网络结构可以当作起点参考。3. MEA-BP 模型构建BP 网络拓扑、编码方案与思维进化算法的迭代逻辑3.1 BP 神经网络的缺陷局部最优、收敛慢与过拟合论文对 BP 神经网络的问题总结得很凝练信息前向传播、误差反向传播通过预测误差调整权重和阈值但经常陷入局部最优化、收敛速度慢、拟合过度。这三个问题在光伏预测场景里会互相放大——光伏出力曲线本身有强烈的时段性早晚接近 0午间到达峰值BP 网络对峰值时段的拟合往往不够而对低谷时段容易过拟合。网络拓扑上论文用的是三层网络输入层到隐藏层再到输出层。假设拓扑为 i-j-k编码长度为 i×j j×k j k。这个编码长度就是 MEA 要做全局搜索的维度。举个例子如果输入 19 个节点、隐藏层 15 个节点、输出 13 个节点那么编码长度是 19×15 15×13 15 13 285 195 28 508意味着 MEA 要在 508 维的空间里找最优解。这个维度对于进化算法来说难度适中种群规模 2000 完全够用。一个值得注意的细节BP 网络的初始权重和阈值对训练结果影响巨大。默认的随机初始化很容易让网络收敛到较差的局部最优这也是为什么同一个模型多跑几次结果差异很大的原因。MEA 的核心价值就在这一步——用全局寻优替代随机初始化先找到一组好的初始权重和阈值再交给 BP 做局部精调。3.2 思维进化算法的趋同与异化比遗传算法更直接的全局寻优思维进化算法保留了遗传算法的种群和进化概念但用趋同和异化两种操作代替了遗传算子。趋同操作是在子种群内部快速搜索局部最优每个子种群的最优个体得分就是该子种群的得分异化操作是在整个解空间搜索对得分较差的子群体进行解散并随机产生新的子群体保证子群体总数不变。信息交换通过全局公告板和局部公告板完成。MEA 的执行步骤论文里写得很清晰先在解空间中随机生成一定规模的个体按得分挑选出 M 个优胜个体和 T 个临时个体围绕每个优胜个体和临时个体创建新个体形成子群体在每个子群体内做趋同操作直到子群体成熟子群体成熟后在全局公告板张贴得分执行异化操作——优胜子群体和临时子群体之间进行替代、丢弃和个体释放重复上述过程直到最优者的得分不能再提高此时认为收敛得到全局最优子群体和个体。这个流程的好处在于异化操作保证了搜索不会长时间停留在局部最优区域。和遗传算法对比MEA 没有交叉和变异算子它靠的是子群体之间的竞争和更新机制更简单、参数更少实际用起来反而容易控制。要注意种群规模、子群体数量、迭代次数这三个参数是联动的论文里给的参数组合种群 2000、各群体 100 个、子群规模 10、迭代 50 次是针对单层隐藏层网络调试出来的如果你改了网络拓扑建议相应调整种群规模具体调整思路放到第 5 章说。3.3 MEA-BP 的算法流程从编码到最优初始权重MEA-BP 的整体流程可以概括为六步确定神经网络拓扑结构按拓扑结构确定编码方案把编码映射为解空间中的个体初始化 MEA 算法参数设置种群规模和子群体数量生成初始子群体、优胜子群体和临时子群体在各子群体内执行趋同操作在子群体间执行异化操作迭代直到满足结束条件输出最优个体将最优个体解码为 BP 网络的初始权重和阈值开始 BP 训练。得分函数的选择直接影响搜索方向。论文将每个个体和种群得分函数设定为训练集均方误差的倒数——均方误差越小得分越高。这意味着 MEA 在搜索时直接以 BP 训练集上的拟合效果为评价标准而不是看权重本身的数值分布。这里有一个细节值得注意得分函数只用了训练集均方误差没有加验证集误差或正则化项所以 MEA 阶段选出的初始权重偏向于对训练集的拟合。实际复现时如果你想提高泛化能力可以在得分函数里加上验证集误差的加权项或者在 MEA 之后再用验证集做一次早停避免后续 BP 训练过拟合。下面的伪代码描述了 MEA 阶段的核心逻辑我在每个关键步骤后面标注了对应论文中的操作含义import numpy as np def msea_optimize(encode_length, pop_size2000, winner_num100, temp_num100, max_iter50): # 初始化在解空间随机生成 pop_size 个个体每个个体长度 编码长度 population np.random.randn(pop_size, encode_length) * 0.5 # 计算初始得分得分 1 / (训练集均方误差 eps) scores np.array([1.0 / (mse(decode_weights(individual)) 1e-8) for individual in population]) # 选出优胜个体和临时个体得分最高的前 winner_num 和 temp_num 个 sorted_idx np.argsort(scores)[::-1] winner_idx sorted_idx[:winner_num] temp_idx sorted_idx[winner_num:winner_num temp_num] # 围绕每个优胜/临时个体生成子群体论文中关注优胜个体和临时个体围绕每个个体创建新的个体 sub_populations [] for idx in winner_idx: # 子群规模 pop_size / (winner_num temp_num) 2000 / 200 10 sub_pop population[idx] np.random.randn(10, encode_length) * 0.1 sub_populations.append(sub_pop) # 临时子群体同样处理 for iteration in range(max_iter): # 趋同操作每个子群体内部搜索找到局部最优 sub_scores [] for sub_pop in sub_populations: sub_scores.append(np.max([1.0 / (mse(decode_weights(ind)) 1e-8) for ind in sub_pop])) # 异化操作全局公告板比较得分解散低分子群体并随机生成新子群体 # 优胜子群体保留临时子群体中得分低者被解散并随机初始化 # 判断最优得分是否连续多轮未提升若是则收敛 pass # 返回全局最优个体解码为 BP 网络的初始权重和阈值 return best_individual这段伪代码的重点在三个地方一是得分函数用了均方误差的倒数和论文一致mse()函数需要你自己实现输入是解码后的权重和阈值输出是当前 BP 网络在训练集上的均方误差二是子群体生成时用了0.1倍的标准差做扰动论文里虽然没写这个值但实际操作中子群体内部的搜索范围不宜过大否则趋同操作会退化成随机搜索三是异化操作的触发条件依赖全局公告板的得分比较需要记录每个子群体的最优得分并排序。有了 MEA 选出的最优个体接下来的 BP 训练就常规了把最优个体解码为权重和阈值设置学习率 0.1、目标误差 1e-4、最大迭代次数 1000用训练集数据迭代更新网络参数直到满足停止条件。我在做类似项目时会把 MEA 阶段的迭代次数和 BP 训练阶段的最大迭代次数分开记录因为两者的收敛速度完全不同混在一起不便于判断问题出在哪个阶段。4. 四季四套预测单元输入向量设计、网络结构与训练参数对照4.1 为什么输入节点数不一样日照时段决定了出力区间的长度论文里一个容易忽略的细节是四个预测单元的输入节点数不同春季和夏季是 19 个秋季是 18 个冬季是 17 个。原因在于各季节的光伏出力时段不一样——春季和夏季取 07:00-19:00共 13 个小时秋季取 08:00-19:00共 12 个小时冬季取 09:00-19:00共 11 个小时。输入向量的第一部分是预测日前 1 d 对应时段的每小时发电功率所以时段长度不同输入维度就不同。这种按季节调整出力时段的做法比固定取 24 小时输入要合理得多。凌晨和傍晚的零功率时段对训练没有任何正向贡献反而会压低模型对有功时段的拟合权重。如果你复现时发现预测曲线在早晚时段出现明显的拖尾现象大概率就是没有做时段截断。四套预测单元的输入向量构成可以整理成下面的表格方便对照预测单元输入向量维度输入向量构成输出时段输出维度网络拓扑春季19前 1 d 07:00-19:00 共 13 h 发电功率 预测日及前 1 d 的平均辐照度、温度、风速6 个特征07:00-19:00 共 13 h1319-15-13夏季19前 1 d 07:00-19:00 共 13 h 发电功率 预测日及前 1 d 的平均辐照度、温度、风速6 个特征07:00-19:00 共 13 h1319-15-13秋季18前 1 d 08:00-19:00 共 12 h 发电功率 预测日及前 1 d 的平均辐照度、温度、风速6 个特征08:00-19:00 共 12 h1218-15-12冬季17前 1 d 09:00-19:00 共 11 h 发电功率 预测日及前 1 d 的平均辐照度、温度、风速6 个特征09:00-19:00 共 11 h1117-12-11这里要注意输入向量维度的计算校验春季 13 个小时的历史功率值 平均辐照度、温度、风速各两个预测日和前 1 d即 13 6 19与论文表 1 完全对应。输出向量是预测日当天 07:00-19:00 每小时一个输出点共 13 个点。隐藏层节点数的选取论文没有展开推导而是直接给出结果这也是这类论文的常见处理方式。实践中可以用经验公式 hidden sqrt(input × output) 1~10 来粗选再逐步调整论文用 15 或 12符合这个范围。4.2 训练数据划分每季 80 组数据的含义与划分逻辑论文的实验数据来自 2018 年 3 月 1 日到 2019 年 2 月 28 日共 12 个月每个季节一个预测单元每个单元 80 组数据。需要理解的是这里的 80 组不是 80 个小时而是 80 个样本日——每一天构成一个样本输入是前 1 d 的功率序列和气象数据输出是当天的功率序列。数据消除异常值后按季节各取 80 天。由于预测日前 1 d 的数据也要作为输入所以 80 组数据实际覆盖了 81 天的运行记录其中第 1 天只能作为输入参考。80 个训练样本对于三层 BP 网络来说属于偏少的数据量这也是为什么 MEA 的全局寻优能力在此场景下如此关键——网络本身可拟合的复杂度有限初始化权重的好坏直接影响最终精度。如果你有更长时间的历史数据比如两年以上我建议不要简单扩充训练集而是按相似日或天气类型再做一层细分否则样本之间的冲突会拖累模型训练。论文选择每季 80 组大概率是电站历史数据只有一年这在实际项目里很常见不必强求更多数据。数据归一化也是不能跳过的一步。功率、辐照度的数值范围差异很大风速和温度的差异同样明显。一般做法是把所有输入输出特征归一化到 [0,1] 或 [-1,1]。论文没有明确写归一化方式但 BP 网络训练目标误差 1e-4 对未归一化的原始数据几乎不可能达到所以按 [0,1] 归一化处理是合理推断。预测完成后记得把输出结果反归一化回实际功率值再算 MAE、MAPE、RMSE单位是 MW 或百分比。4.3 训练参数设置种群规模、学习率、迭代次数到底怎么配论文给出的 MEA 参数和 BP 训练参数是一组经过重复实验确定的组合可以说是全文最值得抄作业的部分MEA 算法参数种群规模 2000优胜子种群数量 100临时子种群数量 100子群规模 10迭代次数 50。BP 网络训练参数最大迭代次数 1000学习率 0.1训练目标误差 1e-4。这里的参数有个联动关系种群规模 2000 除以优胜与临时子种群总数 200正好等于子群规模 10。也就是说种群规模、子种群数量、子群规模三者满足整除关系这个设计保证了每个子群体有均匀的个体数量。如果你要调整参数优先保持这个整除关系不变否则会出现某些子群体过大、某些过小破坏异化操作的平衡性。学习率 0.1 在光伏功率预测场景里属于偏大的取值。BP 网络在归一化数据上通常用 0.01~0.10.1 配合 1000 次迭代加上 MEA 给出的优质初始权重可以在合理时间内收敛。如果你自己实现时发现训练损失震荡不下降优先把学习率降到 0.05 或 0.02而不是盲目增加迭代次数。目标误差 1e-4 是均方误差的目标值不是平均绝对误差——注意别把这两个指标搞混前者是平方损失后者是你最终评估时用的误差指标。我把每套预测单元的数据构成和参数设置整理成一张速查表方便直接对照项目春季夏季秋季冬季数据时间跨度2018.3.1-5.312018.6.1-8.312018.9.1-11.302018.12.1-2019.2.28数据量/组80808080输入节点数19191817隐藏层节点数15151512输出节点数13131211出力时段07:00-19:0007:00-19:0008:00-19:0009:00-19:00隐藏层节点在春季、夏季、秋季都是 15只有冬季是 12。冬季输出只有 11 个点历史输入也只有 11 个功率值输入输出维度同时变小隐藏层节点相应降低是合理的。不要试图让四套模型共用同一种网络结构——冬季用 19-15-13 会因为输入不足产生大量无意义的零填充反而损害精度。4.4 完整复现流程从原始数据到四季预测结果按照论文的方法完整跑一遍我会推荐下面的顺序步骤一数据清洗。剔除辐照度、功率、温度、风速中的异常值和空值对一天内高于功率装机容量或低于 0 的采样点做标记删除。论文提到「消除异常数据后」划分预测单元这个步骤看似不起眼但对 MEA 的得分函数影响极大——一个异常大的功率尖峰会把该样本的均方误差拉高几个数量级导致整个子群体得分失真。步骤二按季节切分数据。每个季节取连续 80 天构造输入矩阵和输出矩阵。输入矩阵的每一行对应一个样本日的输入向量维度分别为 19/19/18/17输出矩阵的每一行对应当天的预测时段功率序列维度分别为 13/13/12/11。步骤三数据归一化。from sklearn.preprocessing import MinMaxScaler # 以春季为例X_train shape (80, 19)y_train shape (80, 13) scaler_X MinMaxScaler(feature_range(0, 1)) scaler_y MinMaxScaler(feature_range(0, 1)) X_train_norm scaler_X.fit_transform(X_train) y_train_norm scaler_y.fit_transform(y_train)步骤四运行 MEA 搜索最优初始权重。将 MEA 得到的最优个体解码为 19×15 15×13 15 13 508 个权重和阈值参数赋给 BP 网络。步骤五BP 训练。学习率 0.1、目标误差 1e-4、迭代次数 1000在归一化后的训练集上训练。步骤六预测与反归一化。对测试日预测后用scaler_y.inverse_transform()还原功率值与真实值计算 MAE、MAPE、RMSE。这里有个实操建议论文表 3 给出的是每个时间点的 3 d 平均绝对误差MAE单位都是 MW整理时要注意区分「逐时刻误差」和「全天平均误差」。逐时刻误差能帮你定位模型在哪个时段表现差——通常午间误差最大因为功率峰值高早晚误差虽然小但相对误差百分比反而可能偏大。5. 复现避坑数据清洗、弃光限电与 MEA 参数设置的四个教训5.1 夜间和凌晨零功率时段不剔除误差指标被严重稀释现象模型预测曲线看起来还行但 MAPE 计算出来异常低低到不真实。原因光伏功率夜间为 0MAPE 计算时 0 值作为分母会产生无穷大很多复现者为了避免这个问题把夜间零值保留在序列里结果 MAPE 被大量零值拉低看起来精度很高实际对调度没有参考价值。解决严格按论文的出力时段截断数据春季夏季取 07:00-19:00秋季取 08:00-19:00冬季取 09:00-19:00。预测和评估都在截断后的时段内进行不在序列里保留零功率时段。我一般还会把每天的日出日落时间算出来动态裁剪出力时段比固定时段更精准。5.2 晴天的样本主导训练阴雨天预测误差直接爆表现象训练集误差很低但把模型放到阴雨天预测时预测值明显偏高曲线形态完全对不上。原因光伏电站历史数据中晴天占比高BP 网络在训练时对晴天样本的拟合权重自然更大。MEA 的得分函数又是训练集均方误差的倒数全局寻优同样被晴天样本主导。解决如果只按季节分组至少要检查每个季节预测单元内晴天和阴雨天的样本比例。比例失衡时可以按天气类型做加权采样让阴雨天样本参与训练的概率提高。论文没有做这一步因为 80 组数据再做天气分层会导致每类样本过少但如果你有更长周期的数据这个操作值得加。另一个补救方法是针对阴雨天单独建一个临时模型用相似日方法选出与预测日天气类型最接近的历史样本做局部预测。5.3 弃光限电期间的数据混入训练模型学到了「假规律」现象预测曲线在部分时段被系统性压低和真实功率偏差大而且误差集中在每天的同一时段。原因论文图 7 里秋季和冬季曲线标出了「弃光限电」现象在弃光时段电站实际输出被人为限制远低于理论可发功率。如果这些数据直接进训练集BP 网络会学到「这个时段功率本来就低」的错误规律。解决识别弃光时段的简单方法是用辐照度估算理论功率上限如果实际功率持续明显低于理论功率且曲线呈平台状标记为弃光时段。训练时要么剔除这些样本要么把对应时段的输出值替换为理论计算值。用 MEA-BP 训练时同样要注意得分函数不会区分弃光样本和正常样本数据不进训练集才是根本解。5.4 MEA 参数照抄导致子群体退化收敛后精度反而不如随机初始化现象复现时直接套用论文的种群 2000、子群体 100、迭代 50 次算法收敛很快但预测精度波动很大有时还不如直接跑 BP。原因网络拓扑和论文不同编码长度变了但 MEA 参数没变。编码长度从 508 变成 1000 以上时2000 个种群个体在高维空间里非常稀疏子群体内部的趋同操作搜不到有效区域异化操作频繁解散子群体算法提前收敛到较差的局部最优。解决参数调整遵循两个原则。一是维持整除关系种群规模 子群体数量 × 子群规模论文是 2000 200 × 10当编码长度变长优先加大子群规模到 15 或 20同时减少子群体数量。二是看收敛曲线如果得分在 10 轮迭代内就不再提升说明搜索空间和种群规模不匹配加大种群规模比加大迭代次数更有效。我自己的习惯是先跑一次种群 5000 的粗搜索观察得分收敛情况再回退到资源允许的最小规模省时间也省内存。6. 结果验证用 MAE、MAPE、RMSE 判断模型是否真的变好了以及逐时刻误差的三种分析角度论文表 3 把四个季节、三种模型本地预测系统、BP、MEA-BP的逐时刻 3 d 平均绝对误差列成了矩阵表 4 给出了每个预测单元的 MAPE 和 RMSE。看表 4 的数据本地预测系统的平均 MAPE 高达 125.332%基本没有参考价值BP 网络平均 MAPE 32.014%RMSE 7.714 MWMEA-BP 平均 MAPE 15.12%RMSE 3.8 MW。MAPE 从 32% 降到 15%RMSE 接近腰斩这个提升幅度在光伏短期预测里是显著的。但只看平均值会掩盖很多问题。我一般会从三个角度拆解误差结果第一个角度是逐时刻 MAE 的时段分布。从表 3 可以看到MEA-BP 网络在一天中的非峰值时段误差很小比如春季 10:00 的误差只有 0.039 MW而 07:00 和 19:00 的误差相对偏大。原因很简单早晚时段功率从 0 爬升或下降到 0斜率大模型对陡峭变化的拟合能力天然偏弱。如果某个时段的误差明显高于相邻时段优先检查那个时段的数据质量再看是否需要增加输入特征。第二个角度是误差的绝对值与相对值分离。MAPE 在低估场景下会失真——当实际功率很低比如傍晚时段的 2 MW预测值偏差 0.5 MW相对误差就是 25%看着很难看但对电网调度来说这个绝对偏差完全可接受。所以评估模型时 MAPE 和 RMSE 要一起看MAPE 反映相对精度RMSE 反映大误差的惩罚力度两者都下降才算真正的改进。第三个角度是对比「弃光时段」和「正常时段」的误差差异。论文里秋季和冬季出现了弃光限电本地预测系统在那几天的预测偏差明显更大。如果你复现时在数据清洗阶段已经剔除了弃光样本那评估时也要把弃光时段从测试集中去掉或者单独统计否则预测模型在正常时段的真实精度会被弃光时段的偏差拖累。我在做项目评估时会在结果表里加一列「非弃光时段误差」专门用来向调度侧说明模型在正常工况下的能力。最后一个建议把 BP 网络和 MEA-BP 的预测曲线画在同一张图上逐点对齐。论文的图 7 就是这个做法能直观看到 MEA-BP 对功率峰值的追逐比 BP 更紧。从那以后我每次复现类似改进神经网络的论文都会强制走一遍「数据清洗 → 时段截断 → 归一化 → MEA 搜索 → BP 精调 → 逐时刻误差分析」的流程哪怕结论已经写在论文里也要自己跑一次毕竟只有亲手画出那条误差曲线才知道哪些提升是算法带来的、哪些只是数据清洗的功劳。希望这个流程和这里拆出的参数细节能帮到你。本文还有配套的精品资源点击获取
