​

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。

1. 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。

1. 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。

1. 合并所有逆变器的数据，创建了一个完整的数据集df。
2. 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。
3. 创建一个新的数据集df_eda，用于探索性数据分析（EDA）。
4. 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。

1. 统计低异常值的数量，包括低异常值且AC功率为0的数量。
2. 绘制逆变器异常值计数的条形图，包括AC功率为0的部分。
3. 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。
4. 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。
5. 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。

1. 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。
2. 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。
3. 创建基准模型，计算基准模型的RMSE（均方根误差）。
4. 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。
5. 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。
6. 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

中期时间段数据展示

截止时间的数据展示

三.效果图

​编辑

​编辑

​编辑

​编辑

​编辑

​编辑

​编辑

​编辑

​编辑

​编辑

对项目感兴趣的，可以关注中间一行

​