微调

结合您的业务需求训练XMO-Time模型，轻松实现一站一模型。

对时间序列预测模型进行训练或微调是通过我们提供的基础时间序列模型上进行进一步调整，可以提高模型在特定应用场景中的预测精度。

如何微调模型？

选择合适的基础模型，我们提供的模型为XMO-Time 1.0。XMO-Time 这样的通用时间序列预测模型已经在电力数据上进行过大规模的训练，可以用来对某个特定光伏电站的功率或发电量进行微调。

1）您需要提前准备历史的光伏功率数据。
- 将历史数据拆分为训练数据集和验证数据集。
2）训练数据集
- 为保证模型的训练效果，建议一次性上传3年及以上的数据，或至少为1个月，并且保证数据连续无间断。
- 填写时间，时间格式为 YYYY-MM-DD hh:mm:ss ；时间间隔可以为5分钟/15分钟/1小时/1天一个点位。
- 填写功率，单位：兆瓦(MW)或千瓦(kW)，二选一。
- 需在下方“场站信息”中标明“功率单位”。
- 您可以按需填写场站经度、场站纬度、场站的装机容量，以及功率单位等信息。
3）验证数据集
- 时间长度任意，保证数据连续无间断。
- 填写时间，时间格式为 YYYY-MM-DD hh:mm:ss ；时间间隔可以为5分钟/15分钟/1小时/1天一个点位。
- 填写功率，单位：兆瓦(MW)或千瓦(kW)，二选一。需在下方“场站信息”中标明“功率单位”。
- 按需填写场站经度、场站纬度、场站的装机容量，以及功率单位等信息。

上传好数据后，您需要再次确定信息，信息无误后，点击【确定并开始训练】。系统将在目标数据集上对模型进行微调。模型训练过程大约需要60s，请耐心等待。训练过程中可能出现网络延迟，数据错误等问题，会导致模型训练失败，您可以点击【重试】再次训练，或点击【新建训练】再次上传文件进行训练。

您可以在网站内查看训练误差、验证误差。常用的评价指标RMSE（均方根误差），对模型进行验证，评估其在测试数据集上的表现。

以下是我们基础模型XMO-time 1.0和微调模型，针对同一光伏场站进行预测的结果对比。您可以看到对应微调后的模型整体表现优于基础模型。