Skip to content
Other

Solar Power Prediction

оценка мощности солнечных панелей в ваттах

2 min readupdated

Набор табличных моделей регрессии от автора OluwafisayoIbrahim для расчёта текущей выходной мощности солнечных панелей (в ваттах) по погодным и электрическим показателям. Релиз переносит более ранний проект с MATLAB на Python и объединяет классическую линейную регрессию, а также полносвязные нейросети (ANN) на базе scikit-learn, TensorFlow/Keras и PyTorch. В отличие от многих учебных репозиториев, здесь честно разделены два сценария: с замерами тока и напряжения и только по погоде и времени суток — это наглядно показывает, как утечка физических признаков влияет на точность. Подойдёт исследователям, преподавателям и студентам для экспериментов с табличными данными и сравнения фреймворков.

Ключевые особенности

  • Два набора признаков: Track A учитывает освещённость, ток, напряжение, температуру и влажность, а Track B обходится без тока и напряжения — только погодными данными и часом суток.
  • Несколько реализаций в одном месте: линейная регрессия, базовые и настроенные нейросети в scikit-learn, а также модели на TensorFlow и PyTorch с масштабированием признаков.
  • Честный бенчмарк с физическим базовым уровнем: в Track A простая формула мощность = ток × напряжение даёт R² 0.998, показывая предел реальной полезности нейросетей при наличии электрических замеров.
  • Подробный аудит данных: автор открыто указывает на небольшой объём выборки (189 записей) и наличие дубликатов между файлами, чтобы избежать завышенных ожиданий от метрик.

Что можно сделать

  • Использовать как учебный стенд для сравнения поведения ANN на PyTorch, TensorFlow и scikit-learn при одинаковом протоколе кросс-валидации GroupKFold.
  • Протестировать оценку выработки солнечной батареи в режиме реального времени по показаниям пиранометра и датчиков погоды (Track B) в условиях, близких к университетской установке.
  • Наглядно разобрать на занятиях по ML эффект «короткого пути» (shortcut learning), когда входные признаки почти напрямую задают целевую переменную.

Пример

import joblib, numpy as np
from huggingface_hub import hf_hub_download

model_path = hf_hub_download(
    repo_id="OluwafisayoIbrahim/solar-power-prediction",
    filename="results/models/track_b_ann_final.joblib",
)
model = joblib.load(model_path)
print(f"Predicted power: {model.predict(np.array([[850.0, 31.0, 65.0, 12.5]]))[0]:.2f} W")
ПодробнееМетрики (Track B, без тока и напряжения): настроенная scikit-learn ANN — MAE 11.965 W, R² 0.703; линейная регрессия — MAE 12.165 W, R² 0.701; PyTorch ANN S2 — MAE 11.981 W, R² 0.694.
Обучение и данные: 189 наблюдений (21 группа замеров с 08:00 до 16:00 в Университете Олабиси Онабанджо); финальные веса обучены на всех строках.
Ограничения: модели оценивают мощность только в текущий момент, не предназначены для прогноза на будущее, работы ночью или управления энергосетями; требуется CPU и минимум памяти.
Discuss Telegram 0 69

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.0 GB · ready files0.5 GB
  • FP8 / INT8recommendedweights 0.0 GB0.5 GB
  • 4-bitweights 0.0 GB0.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # OluwafisayoIbrahim/solar-power-prediction
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download OluwafisayoIbrahim/solar-power-prediction --local-dir ~/models/solar-power-prediction
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to solar-power-prediction
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of solar-power-prediction (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

OluwafisayoIbrahim/solar-power-prediction
Author
OluwafisayoIbrahim
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

690

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments