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")
Подробнее
Метрики (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.










Комментарии