短期光伏发电量短期预测（Python代码，先对异常值处理，再基于XGBoost模型预测）

已于 2023-09-26 10:52:22 修改
阅读量1k 收藏 13
点赞数
分类专栏： 光伏/风速发电/电池和机械寿命预测 文章标签： python 机器学习 人工智能
于 2023-09-25 22:15:07 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40840797/article/details/133281302
版权

一.代码流程（运行效果：短期光伏发电量短期预测（Python代码，先对异常值处理，再基于XGBoost模型预测）_哔哩哔哩_bilibili

模型流程：

  1. 导入所需的库，包括NumPy、Pandas、Matplotlib、Seaborn等。

  2. 读取发电数据和天气传感器数据，将它们存储在df_plt1_gen和df_plt1_weather中。

  3. 数据预处理：

    • 对发电数据进行了一些处理，包括删除不需要的列、将日期时间列转换为日期时间类型，并根据逆变器创建了新的逆变器列。
    • 天气数据也被处理，删除了不需要的列，将日期时间列转换为日期时间类型。

  4. 确保数据完整性：

    • 创建了一个完整的日期时间序列，以确保数据中没有缺失值。
    • 初始化一个空列表，用于存储处理后的发电数据。

  5. 遍历每个逆变器：

    • 选择特定逆变器的数据。
    • 使用完整的日期时间序列合并数据，以确保没有缺失值。
    • 添加逆变器列并将数据附加到列表中。

  6. 合并所有逆变器的数据，创建了一个完整的数据集df。

  7. 提取并映射日期时间特征，计算特征之间的相关性，并检查是否有负值。

  8. 创建一个新的数据集df_eda，用于探索性数据分析（EDA）。

  9. 处理异常值：

    • 创建用于统计异常值的数据集，包括低异常值、高异常值和标准差范围内的数据点。
    • 绘制散点图可视化数据点。

  10. 统计低异常值的数量，包括低异常值且AC功率为0的数量。

  11. 绘制逆变器异常值计数的条形图，包括AC功率为0的部分。

  12. 定义一个函数outliers用于处理异常值，并绘制散点图可视化处理后的数据。

  13. 处理DAILY_YIELD特征的异常值，包括将夜间时间段的发电功率设为0。

  14. 插补缺失值：

    • 使用KNNImputer插补缺失值。
    • 使用时间插值、线性插值和多项式插值方法插补缺失值。

  15. 计算每天的总发电量，并将目标变量向后移动一天，以便进行预测。

  16. 使用季节性分解方法对目标变量进行分解，以查看趋势和季节性成分。

  17. 创建基准模型，计算基准模型的RMSE（均方根误差）。

  18. 准备数据用于机器学习模型和深度学习模型的训练和测试。

  19. 使用XGBoost模型进行训练和测试，评估模型的性能，并绘制预测结果。

  20. 最后，绘制了模型的特征重要性图表。

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。

  • DATE_TIME: 表示日期和时间的时间戳，记录数据采集的具体时间点。
  • PLANT_ID: 发电厂的唯一标识符，用于区分不同的太阳能发电厂。
  • SOURCE_KEY: 太阳能发电设备的唯一标识符，用于区分不同的发电设备。
  • DC_POWER: 直流功率的测量值，表示从太阳能电池板产生的直流电功率。
  • AC_POWER: 交流功率的测量值，表示从逆变器转换后的交流电功率。
  • DAILY_YIELD: 每天的发电量，表示在给定日期内生成的总电量。
  • TOTAL_YIELD: 总发电量，表示从安装以来生成的总电量。

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

DATE_TIMEPLANT_IDSOURCE_KEYDC_POWERAC_POWERDAILY_YIELDTOTAL_YIELD
15-05-2020 00:0041350011BY6WEcLGh8j5v70006259559
15-05-2020 00:0041350011IF53ai7Xc0U56Y0006183645
15-05-2020 00:0041350013PZuoBAID5Wc2HD0006987759
15-05-2020 00:0041350017JYdWkrLSPkdwr40007602960
15-05-2020 00:004135001McdE0feGgRqW7Ca0007158964
15-05-2020 00:004135001VHMLBKoKgIrUVDU0007206408
15-05-2020 00:004135001WRmjgnKYAwPKWDb0007028673
15-05-2020 00:004135001ZnxXDlPa8U1GXgE0006522172
15-05-2020 00:004135001ZoEaEvLYb1n2sOq0007098099
15-05-2020 00:004135001adLQvlD726eNBSB0006271355
15-05-2020 00:004135001bvBOhCH3iADSZry0006316803
15-05-2020 00:004135001iCRJl6heRkivqQ30007177992
15-05-2020 00:004135001ih0vzX44oOqAx2f0006185184
15-05-2020 00:004135001pkci93gMrogZuBj0007169102
15-05-2020 00:004135001rGa61gmuvPhdLxV0007111493
15-05-2020 00:004135001sjndEbLyjtCKgGv0007016832
15-05-2020 00:004135001uHbuxQJl8lW7ozc0007038681
15-05-2020 00:004135001wCURE6d3bPkepu20006782598
15-05-2020 00:004135001z9Y9gH1T5YWrNuG0007007866
15-05-2020 00:004135001zBIq5rxdHJRwDNY0006339380
15-05-2020 00:004135001zVJPv84UY57bAof0007116151
15-05-2020 00:1541350011BY6WEcLGh8j5v70006259559
15-05-2020 00:1541350011IF53ai7Xc0U56Y0006183645
15-05-2020 00:1541350013PZuoBAID5Wc2HD0006987759
15-05-2020 00:1541350017JYdWkrLSPkdwr40007602960
15-05-2020 00:154135001McdE0feGgRqW7Ca0007158964
15-05-2020 00:154135001VHMLBKoKgIrUVDU0007206408
15-05-2020 00:154135001WRmjgnKYAwPKWDb0007028673
15-05-2020 00:154135001ZnxXDlPa8U1GXgE0006522172

中期时间段数据展示

20-05-2020 06:454135001uHbuxQJl8lW7ozc947.87592.087540.257071238.25
20-05-2020 06:454135001wCURE6d3bPkepu2944.2591.72541.256815390.25
20-05-2020 06:454135001z9Y9gH1T5YWrNuG953.87592.662540.3757040505.375
20-05-2020 06:454135001zBIq5rxdHJRwDNY936.759139.6256372010.625
20-05-2020 06:454135001zVJPv84UY57bAof933.62590.67540.1257148377.125
20-05-2020 07:0041350011BY6WEcLGh8j5v71564.714286152.9571429686290165
20-05-2020 07:0041350011IF53ai7Xc0U56Y1790.375175.237576.6256216506.625
20-05-2020 07:0041350013PZuoBAID5Wc2HD1728.714286169.157142973.714285717020585.714
20-05-2020 07:0041350017JYdWkrLSPkdwr41690.571429165.428571474.857142867635282.857
20-05-2020 07:004135001McdE0feGgRqW7Ca1628.714286159.257142971.428571437192169.429
20-05-2020 07:004135001VHMLBKoKgIrUVDU1727.428571169.042857176.571428577239618.571
20-05-2020 07:004135001WRmjgnKYAwPKWDb1700166.357142972.571428577061004.571
20-05-2020 07:004135001YxYtjZvoooNbGkE1593.857143155.7857143707212546
20-05-2020 07:004135001ZnxXDlPa8U1GXgE1638.428571160.185714359.571428576555195.571
20-05-2020 07:004135001ZoEaEvLYb1n2sOq1567153.185714369.571428577130401.571
20-05-2020 07:004135001adLQvlD726eNBSB1818.12517879.1256304592.125
20-05-2020 07:004135001bvBOhCH3iADSZry1535.71428615066.857142866346973.857
20-05-2020 07:004135001iCRJl6heRkivqQ31568.857143153.285714369.857142867210787.857
20-05-2020 07:004135001ih0vzX44oOqAx2f1584.142857154.8571429696217346
20-05-2020 07:004135001pkci93gMrogZuBj1550.571429151.568.571428577201417.571
20-05-2020 07:004135001rGa61gmuvPhdLxV1542150.671428668.571428577143880.571
20-05-2020 07:004135001sjndEbLyjtCKgGv1587.714286155.242857169.571428577049353.571
20-05-2020 07:004135001uHbuxQJl8lW7ozc1588.571429155.369.714285717071267.714
20-05-2020 07:004135001wCURE6d3bPkepu21578.571429154.3706815419

截止时间的数据展示

17-06-2020 23:304135001wCURE6d3bPkepu20058837028601
17-06-2020 23:304135001z9Y9gH1T5YWrNuG0058197251204
17-06-2020 23:304135001zBIq5rxdHJRwDNY0058176583369
17-06-2020 23:304135001zVJPv84UY57bAof0059107363272
17-06-2020 23:4541350011BY6WEcLGh8j5v70055216485319
17-06-2020 23:4541350011IF53ai7Xc0U56Y0060346433566
17-06-2020 23:4541350013PZuoBAID5Wc2HD0060527237425
17-06-2020 23:4541350017JYdWkrLSPkdwr40058567846821
17-06-2020 23:454135001McdE0feGgRqW7Ca0059927408587
17-06-2020 23:454135001VHMLBKoKgIrUVDU0060077456208
17-06-2020 23:454135001WRmjgnKYAwPKWDb0059537273532
17-06-2020 23:454135001YxYtjZvoooNbGkE0058867425442
17-06-2020 23:454135001ZnxXDlPa8U1GXgE0059296770737
17-06-2020 23:454135001ZoEaEvLYb1n2sOq0058717341753
17-06-2020 23:454135001adLQvlD726eNBSB005237.1428576524508
17-06-2020 23:454135001bvBOhCH3iADSZry0054606539009
17-06-2020 23:454135001iCRJl6heRkivqQ30059577426263
17-06-2020 23:454135001ih0vzX44oOqAx2f0057586426129
17-06-2020 23:454135001pkci93gMrogZuBj0059527415430
17-06-2020 23:454135001rGa61gmuvPhdLxV0059507356897
17-06-2020 23:454135001sjndEbLyjtCKgGv0058877261681
17-06-2020 23:454135001uHbuxQJl8lW7ozc0059677287002
17-06-2020 23:454135001wCURE6d3bPkepu2005147.6257028601
17-06-2020 23:454135001z9Y9gH1T5YWrNuG0058197251204
17-06-2020 23:454135001zBIq5rxdHJRwDNY0058176583369
17-06-2020 23:454135001zVJPv84UY57bAof0059107363272

 三.效果图

对项目感兴趣的，可以关注中间一行

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set_style('darkgrid')
import warnings
import datetime as dt
import matplotlib.dates as mdates
#代码和数据集的压缩包：https://mbd.pub/o/bread/mbd-ZJ6Zmphv
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
sns.set_style('darkgrid')
import warnings
import datetime as dt
import matplotlib.dates as mdates

深度学习的奋斗者
关注
  • 0
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
python用电预测_Python中利用LSTM模型进行时间序列预测分析 - 预测爱尔兰的电力消耗...
weixin_39960710的博客
12-22 1038
此示例中，神经网络用于使用2011年4月至2013年2月期间的数据预测都柏林市议会公民办公室的能源消耗。每日数据是通过总计每天提供的15分钟间隔的消耗量来创建的。LSTM简介LSTM(或长期短期存储器网络)允许分析具有长期依赖性的顺序或有序数据。当涉及到这项任务时，传统的神经网络不足，在这方面，LSTM将用于预测这种情况下的电力消耗模式。与ARIMA等模型相比，LSTM的一个特殊优势是数据不一定需...
python神经网络书中的代码修改得到的光伏预测程序
04-23
python书中的代码，可以很快的习得BP神经网络，并且其中提供了修改后的预测程序
基于TCN-Transformer模型的时间序列预测（Python完整源码）
11-21
基于TCN-Transformer模型的时间序列预测（Python完整源码），可以用于做光伏发电功率预测，风速预测，风力发电功率预测，负荷预测等，python程序 python代码，pytorch 基于TCN-Transformer模型的时间序列预测（Python完整源码），可以用于做光伏发电功率预测，风速预测，风力发电功率预测，负荷预测等，python程序 python代码，pytorch 基于TCN-Transformer模型的时间序列预测（Python完整源码），可以用于做光伏发电功率预测，风速预测，风力发电功率预测，负荷预测等，python程序 python代码，pytorch
机器学习算法实战案例：BiLSTM实现多变量多步光伏预测
2301_78285120的博客
01-16 1302
通过前5天的timesteps数据预测后一天的数据predict_steps个，需要对数据集进行滚动划分（也就是前timesteps行的特征和后predict_steps行的标签训练，后面预测时就可通过timesteps行特征预测未来的predict_steps个标签）。通过前5天的96*5数据预测后一天的数据96个，需要对数据集进行滚动划分（也就是前96*5行的特征和后96行的标签训练，后面预测时就可通过96*5行特征预测未来的96个标签）构造训练数据，也是真正预测未来的关键。网络模块的链式形式。
推荐开源项目：pvlib-python——太阳能系统模拟与性能分析的利器
最新发布
gitblog_00073的博客
05-15 478
推荐开源项目：pvlib-python——太阳能系统模拟与性能分析的利器 项目地址:https://gitcode.com/pvlib/pvlib-python 项目介绍 pvlib-python 是一个由社区共同开发的工具箱，旨在提供一系列功能和类，用于模拟光伏能源系统的性能和执行相关任务。该项目的核心目标是创建开放、可靠、互操作且经过基准验证的光伏系统模型实现。 项目技术分析 pvlib...
【数值预测案例】(3) LSTM 时间序列电量预测，附Tensorflow完整代码
热门推荐
博观而约取，厚积而薄发
04-22 1万+
大家好，今天和各位分享一下如何使用循环神经网络STLM完成时间序列预测，本文是针对单个特征的预测，下一篇是对多个特征的预测。文末有完整代码 1. 导入工具包 这里使用GPU加速计算，加快网络的训练速度。 import tensorflow as tf from tensorflow import keras import numpy as np import pandas as pd import matplotlib.pyplot as plt import warnings warnings.f
光伏发电量预测（Python代码，CNN结合LSTM，TensorFlow框架）
qq_40840797的博客
03-29 784
数据集一共8列，第一列是时间，特征列一共有6列："WindSpeed" - 风速 "Sunshine" - 日照时数 "AirPressure" - 大气压力 "Radiation" - 辐射 "AirTemperature" - 空气温度 "RelativeAirHumidity" - 相对空气湿度。被预测列为最后一列：光伏发电量。数据采集每间隔一个小时，开始时间是2017.1.1号凌晨。数据截止时间：2017年12月31号23:00。1.数据集（开始位置）
短期光伏发电量短期预测（Python代码，基于LSTM模型）
qq_40840797的博客
05-15 4036
光伏发电预测
写一个光伏预测的python代码
weixin_42608318的博客
02-08 807
基于Python的光伏预测代码 import numpy as np import pandas as pd import matplotlib.pyplot as plt 读取数据 df = pd.read_csv('data.csv') 可视化数据 plt.plot(df['time'], df['power']) plt.xlabel('时间') plt.ylabel('功率') plt.s...
基于LSTM的短期光伏预测算法python源码+数据集.zip
08-18
【资源说明】 基于LSTM的短期光伏预测算法python源码+数据集.zip 1、该资源内项目代码都是经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能。 基于LSTM的短期光伏预测算法python源码+数据集.zip 基于LSTM的短期光伏预测算法python源码+数据集.zip 基于LSTM的短期光伏预测算法python源码+数据集.zip
光伏发电预测（LSTM、CNN_LSTM和XGBoost回归模型，Python代码）
qq_40840797的博客
10-06 5415
一旦结果与预测差距较大，可能存在光伏系统的问题，需要找出原因，然后采取适当措施来修复光伏系统并做出更好的决策。例如，根据准确的预测，光伏系统运营商可以平衡电力消耗，并将多余的电力储备用于紧急情况。然而，光伏系统的发电量估算是一个挑战，因为光伏系统的发电量受到天气条件的极大影响。整个项目文件夹（第一个文件夹为xgboost模型相关的包文件，xg.py是xgboost模型英文注释版本，xg_chinese.py是xgboost模型中文注释版本）表示太阳能光伏系统的发电量，通常以兆瓦（MW）为单位。
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）
qq_40840797的博客
09-26 990
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。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）。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。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。绘制所有源的DC功率图。
基于模糊双曲正切模型的短期光伏发电量预测
01-27
通过对影响光伏发电量产生的因素进行分析比较，在模糊双曲正切模型的基础上，建立一种光伏发电量的短期预测模型。该模型既属于模糊模型，也属于神经网络模型的范畴。可以利用其强大的学习能力，以光伏发电系统的历史...
基于LSTM的短期光伏预测算法python源码+数据集（高分项目）.zip
03-25
基于LSTM的短期光伏预测算法python源码+数据集（高分项目）.zip数据包括历史光伏逆变器数据，首先利用pycaret筛选模型，后使用tensorflow-keras框架构建lstm完成光伏发电预测。 基于LSTM的短期光伏预测算法python...
bp神经网络做光伏预测 光伏功率预测程序
m0_59842006的博客
06-30 1368
bp神经网络做光伏预测 光伏功率预测程序
光伏发电系统模拟及其发电预测开源python工具pvlib
肖永威的专栏
04-05 8090
本文介绍光伏发电系统模拟及其发电预测开源python工具pvlib，以及举例介绍获取辐照度方法、光伏发电预测思路。
光伏功率预测模型
weixin_36873225的博客
05-13 1974
光伏功率预测是指预测未来某个时间点或一段时间内的光伏发电量。与传统电力预测不同，光伏功率受到天气因素的影响较大，因此需要考虑天气数据等相关因素。常用的光伏功率预测模型包括基于物理模型的方法和基于机器学习的方法。其中，基于物理模型的方法通常需要对光伏电池组件的特性进行建模，计算出光伏发电量的理论值，并结合天气数据等因素进行修正。而基于机器学习的方法则通过利用历史数据的特征信息，如天气、日照时长、风速等因素，来进行未来功率的预测。常用的机器学习方法包括支持向量回归（SVR）、随机森林（RF）和神经网络等。
【数据挖掘torch】 基于LSTM电力系统负荷预测分析（Python代码实现）
2201_75535220的博客
07-18 691
电力系统负荷（电力需求量，即有功功率）预测是指充分考虑历史的系统负荷、经济 状况、气象条件和社会事件等因素的影响，对未来一段时间的系统负荷做出预测。特别是在新冠疫情、国家“双碳”目标等背景下，通过对大工业、非普工业、普通工业和商业等行业的用电负荷进行预测，有助于掌握各行业的生产和经营状况、复工复产和后续发展走势，进而指导和辅助行业的发展决策。（2）给出该地区电网未来 3 个月日负荷的最大值和最小值预测结果，以及相应达到负荷最大值和最小值的时间，并分析其预测精度。的影响，并对相关行业提出有针对性的建议。
基于LSTM神经网络的电力负荷预测（Python代码实现）
weixin_46039719的博客
01-07 1375
LSTM网络的单结构如图1所示。前馈神经网络的输出只依赖当前输入，但是在文本、视频、语音等时序数据中，时序数据长度并不固定，前馈神经网络的输入输出维数不能任意更改，因此难以适应这类型时序数据的处理。短期电力负荷预测的输入与输出均为时间序列，其本质仍是基于先前元素的序列预测问题，为此需要采用与前馈神经网络不同的方法，进行短期电力负荷预测。LSTM网络通过门控结构，有效避免了时间增加所导致的梯度消失的问题，且由于采用了三个输入值与两个输入值的当前时刻记忆单元，因此模型也具有更好的泛化能力。
光伏发电量预测模型代码
05-03
光伏发电量预测模型可以采用机器学习方法进行建模，常用的模型包括决策树、随机森林、支持向量机、神经网络等。以下是一个使用Python语言实现的基于随机森林的光伏发电量预测模型代码示例： ```python import pandas as pd import numpy as np from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error # 读取数据集 data = pd.read_csv('solar.csv') # 数据预处理 X = data.drop(['power'], axis=1).values y = data['power'].values # 划分训练集和测试集 train_size = int(0.8 * len(X)) X_train, X_test = X[:train_size], X[train_size:] y_train, y_test = y[:train_size], y[train_size:] # 建立随机森林模型 rf = RandomForestRegressor(n_estimators=100, max_depth=10, random_state=0) # 模型训练 rf.fit(X_train, y_train) # 预测测试集结果 y_pred = rf.predict(X_test) # 评估模型性能 mse = mean_squared_error(y_test, y_pred) rmse = np.sqrt(mse) print("RMSE:", rmse) ``` 该代码中，首先读取了一个名为`solar.csv`的数据集，并进行了数据预处理。然后将数据集分成了训练集和测试集，使用随机森林模型进行训练，得到预测结果。最后根据预测结果和实际结果计算了模型的均方根误差（RMSE）作为性能评估指标。需要注意的是，该代码中使用的模型参数仅供参考，具体的参数选择应根据实际情况进行调整。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

深度学习的奋斗者

你的鼓励是我努力的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值