短期光伏发电量短期预测（Python代码，基于SARIMA（季节性自回归移动平均模型）和Prophet工具结合预测未来发电量）

「已注销」

已于 2024-11-08 10:50:21 修改

阅读量2.3k

点赞数 43

分类专栏：时序数据可创新代码文章标签： python 回归开发语言

于 2024-11-07 11:29:39 首次发布

本文链接：https://blog.csdn.net/2301_79699110/article/details/143589943

版权

一.代码流程（运行效果：

模型流程：

导入所需的库，包括NumPy、Pandas、Matplotlib、Seaborn等，并设置Seaborn的图表样式为'darkgrid'。
读取两个数据集，分别为"Plant_1_Generation_Data.csv"和"Plant_1_Weather_Sensor_Data.csv"，然后对数据进行处理，包括删除不需要的列和格式化日期时间。
创建两个图表的子图，一个包含每日产量图和AC & DC功率图，另一个包含每日产量和总产量的图。
对实际DC功率进行计算，计算每天DC功率转换成AC功率的损失百分比。
绘制所有源的DC功率图。
分析DC功率和时间的关系，绘制前11个源和后11个源的DC功率图。
分析温度数据，绘制模块温度和环境温度的图表。
选取最差的一个源，绘制该源的DC功率和每日产量图。
使用SARIMA（季节性自回归移动平均模型）和Prophet（Facebook开发的时间序列预测工具）进行时间序列预测。
绘制预测结果与原始数据的对比图，并计算预测性能指标，包括R²分数、平均绝对误差（MAE）和均方根误差（RMSE）。

二.数据集（68779条数据）

这些数据是在印度的两个太阳能发电厂收集的，时间跨度为34天。每对文件包含一个电力发电数据集和一个传感器读数数据集。电力发电数据集是在逆变器级别收集的，每个逆变器都连接着多行太阳能电池板。传感器数据是在发电厂级别收集的，是单个传感器阵列在发电厂中的最佳放置。

这些列提供了关于太阳能发电厂的重要信息，包括发电设备的功率输出、每天的发电量以及总发电量。通过这些数据，可以进行发电量的分析、设备性能的评估以及故障检测等任务。

开始时间