四种不同机器学习方法（线性回归模型，K近邻回归模型，决策树回归模型，随机森林回归模型）对光伏发电预测 |
您所在的位置：网站首页 › lstm回归预测 › 四种不同机器学习方法（线性回归模型，K近邻回归模型，决策树回归模型，随机森林回归模型）对光伏发电预测 |
四种不同机器学习方法（线性回归模型，K近邻回归模型，决策树回归模型，随机森林回归模型）对光伏发电预测
|
1.数据集介绍（可以看短期光伏发电量短期预测（Python代码，基于LSTM模型）_深度学习的奋斗者的博客-CSDN博客） 两篇文章用的是同一个数据集，不同的的是本篇多了温度特征 这些是温度数据集中的列名： DATE_TIME: 日期和时间PLANT_ID: 电厂IDSOURCE_KEY: 数据源的关键字AMBIENT_TEMPERATURE: 环境温度MODULE_TEMPERATURE: 模块温度IRRADIATION: 辐照度这些列包含了太阳能发电数据和气象传感器数据的各个指标和变量。 2020/5/15 0:004135001HmiyD2TTLFNqkNe25.1843161322.857507402020/5/15 0:154135001HmiyD2TTLFNqkNe25.0845886722.7616678702020/5/15 0:304135001HmiyD2TTLFNqkNe24.935752622.5923055302020/5/15 0:454135001HmiyD2TTLFNqkNe24.846130422.3608521302020/5/15 1:004135001HmiyD2TTLFNqkNe24.6215253622.1654226402020/5/15 1:154135001HmiyD2TTLFNqkNe24.536092221.9685708702020/5/15 1:304135001HmiyD2TTLFNqkNe24.6386738722.3529256702020/5/15 1:454135001HmiyD2TTLFNqkNe24.8730223323.160919202020/5/15 2:004135001HmiyD2TTLFNqkNe24.9369304723.02611302020/5/15 2:154135001HmiyD2TTLFNqkNe25.012247623.3432292702020/5/15 2:304135001HmiyD2TTLFNqkNe25.0051493323.6394592702020/5/15 2:454135001HmiyD2TTLFNqkNe24.9930195324.039485802020/5/15 3:004135001HmiyD2TTLFNqkNe25.0163094324.3841355702020/5/15 3:154135001HmiyD2TTLFNqkNe24.9852152724.3515077302020/5/15 3:304135001HmiyD2TTLFNqkNe24.9377319324.0602965302020/5/15 3:454135001HmiyD2TTLFNqkNe24.8790995323.7097941302020/5/15 4:004135001HmiyD2TTLFNqkNe24.678902222.5899415302020/5/15 4:154135001HmiyD2TTLFNqkNe24.351930821.7836425302020/5/15 4:304135001HmiyD2TTLFNqkNe24.062622221.8525249302020/5/15 4:454135001HmiyD2TTLFNqkNe24.013224222.30631502020/5/15 5:004135001HmiyD2TTLFNqkNe24.177105822.5519084702020/5/15 5:154135001HmiyD2TTLFNqkNe24.30488822.9794920702020/5/15 5:304135001HmiyD2TTLFNqkNe24.3287272723.4523804702020/5/15 5:454135001HmiyD2TTLFNqkNe24.2892111323.096691930.0008627212020/5/15 6:004135001HmiyD2TTLFNqkNe24.0884460722.20675660.0058869572.代码流程 导入所需的库，包括numpy、pandas、seaborn和matplotlib.pyplot。读取两个CSV文件的数据，分别是'Plant_1_Generation_Data.csv'（发电相关信息）和'Plant_1_Weather_Sensor_Data.csv'（温度相关信息），存储到两个DataFrame变量中。打印一些数据统计信息，如唯一值的数量和数据的概要。将日期时间列转换为datetime类型。使用pd.merge函数将两个数据集按照日期时间进行合并，生成一个新的DataFrame df。检查并打印df中的缺失值情况。绘制df中各个变量之间的散点图矩阵。使用LabelEncoder对SOURCE_KEY列进行编码。创建一个新的DataFrame df_ml作为机器学习模型的输入数据，并选择特征变量X和目标变量y。计算特征变量X之间的相关性，并使用相关性矩阵进行可视化。将数据集拆分为训练集和测试集。使用线性回归模型进行训练和预测，并计算模型的得分。使用K近邻回归模型进行训练和预测，并找到最佳的n_neighbors值以获得最高得分。使用决策树回归模型进行训练和预测，并计算模型的得分。使用随机森林回归模型进行训练和预测，并计算模型的得分。以上就是这段代码的主要流程。它包括了数据加载、数据预处理、特征工程、模型训练和评估等步骤，用于分析太阳能发电数据并建立回归模型进行预测。 特征变量之间相关性绘图
四种方法分别为线性回归模型，K近邻回归模型，决策树回归模型，随机森林回归模型 选择SOURCE_KEY列的1BY6WEcLGh8j5v7 的光伏板进行AC POWER预测。
真实值与预测值展示
|
【本文地址】
今日新闻 |
推荐新闻 |