К содержимому
Другое

Solar Power Prediction

оценка мощности солнечных панелей в ваттах

2 мин чтенияобновлено

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.
Обсудить Telegram 0 69

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # 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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к solar-power-prediction
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии solar-power-prediction — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

OluwafisayoIbrahim/solar-power-prediction
Автор
OluwafisayoIbrahim
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

690

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии