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

python

pip install pandas numpy matplotlib statsmodels pystan prophet
使用以下代码进行光伏发电量的短期预测：

python

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.statespace.sarimax import SARIMAX
from prophet import Prophet

读取数据

data = pd.read_csv(‘solar_data.csv’)

将日期列转换为日期时间格式

data[‘Date’] = pd.to_datetime(data[‘Date’])

将日期列设置为索引

data.set_index(‘Date’, inplace=True)

拆分训练集和测试集

train_data = data.loc[:‘2024-06-30’]
test_data = data.loc[‘2024-07-01’:]

SARIMA模型

model = SARIMAX(train_data, order=(1, 1, 1), seasonal_order=(1, 0, 0, 12))
sarima_model = model.fit()

预测短期发电量

predictions_sarima = sarima_model.predict(start=test_data.index[0], end=test_data.index[-1])

Prophet模型

prophet_data = pd.DataFrame({‘ds’: train_data.index, ‘y’: train_data[‘Power’]})
prophet_model = Prophet()
prophet_model.fit(prophet_data)

创建未来日期

future_dates = pd.date_range(start=test_data.index[0], end=test_data.index[-1])

预测短期发电量

prophet_forecast = prophet_model.predict(pd.DataFrame({‘ds’: future_dates}))

绘制结果

plt.figure(figsize=(12, 6))
plt.plot(train_data.index, train_data[‘Power’], label=‘Training Data’)
plt.plot(test_data.index, test_data[‘Power’], label=‘Actual Data’)
plt.plot(test_data.index, predictions_sarima, label=‘SARIMA Forecast’)
plt.plot(test_data.index, prophet_forecast[‘yhat’].values, label=‘Prophet Forecast’)
plt.xlabel(‘Date’)
plt.ylabel(‘Power’)
plt.title(‘Short-term Solar Power Generation Forecast’)
plt.legend()
plt.show()
请注意，代码中的"solar_data.csv"应替换为包含光伏发电量数据的实际文件名。确保数据文件与代码文件在同一目录中，且数据文件按照以下格式进行组织：

plaintext
复制
Date,Power
2024-01-01,100
2024-01-02,110
…