Python基于机器学习的光伏功率预测项目源码+训练数据+测试数据（高分代码）

# DataCastle 2018国能日新光伏功率预测 -- 构建BaseLine *机器学习第一次练手过程，记录于此。* ## 数据加载 使用pandas的read_csv()方法加载数据，然后使用concat()的方法分别将4个训练集和4个测试集合并到一起。 ## 数据探索 1. 使用head()查看测试集和训练集前5行数据，可以看出训练集比测试集数据多出【实发辐照度】和【实际功率】两列。另外，测试集【id】列只是序号，对算法模型无影响，删除即可。 2. 使用scatter()绘制【实发辐照度】和【实际功率】数据的散点图，可以看出，两列数据强相关。 3. 使用info()查看数据基础信息，可以看出训练集和测试集数据并无空值。但时间数据为字符格式，需要处理。 4. 使用describe()查看数据统计值，可以看出训练集和测试集各列数据并无缺失值。另外可以看出，训练集【实发辐照度】和【实际功率】两列数据50%数据为近似于0，而最大值远大于0。联想夜晚并无光照，故无辐照度和功率，处理数据时可作为参考。 5. 使用Excel打开训练集和测试集数据，可以看出： + 训练集给定3年的数据，而测试集只设计1年，可猜测年份对光伏功率无影响； + 所有数据时间秒数皆为0，可猜测其对光伏功率无影响； + 月、日、时、分对功率的影响无法判断，可提取处理作为特征，绘制散点图或计算相关性系数查看其与功率的相关性； ## 特征工程 根据数据探索中的分析，可初步处理数据： 1. 训练集： + 从【时间】列提取月、日、时、分信息，作为新的特征添加到数据中； + 删除【时间】列数据，或将其设为行索引（考虑选择模型时，或可使用时间序列模型）； + 因各特征量纲不同，故进行数据归一化处理； 2. 测试集： + 去除无用的【id】列； + 从【时间】列提取月、日、时、分信息，作为新的特征添加到数据中； + 进行数据归一化处理； ## 选择模型，训练、预测数据 1. 数据量较小，且为回归预测型需求，初步选择SVM模型的回归类型SVR算法； 2. 因【实发辐照度】为强特征，故先预测实发辐照度，将其添加到测试集中，再预测光伏功率； 3. 因是比赛数据，测试集无标签，故无法计算测试集准确率； ## 数据保存与提交 使用pandas的to_csv()方法，按要求保存数据，然后提交到比赛网站即可。 ## 算法改进 1. 机器学习算法“特征为王”的时代，好的特征工程（如异常值删除、特征过滤、特征组合等）是算法提升的必备过程； 2. 可以考虑使用2种以上模型预测数据，最后进行融合； 3. 从专业角度出发进行改进。如本赛题，光伏功率可以使用时间序列法和神经网络等方法进行预测。 ## 附：文件（夹）说明 1. DC_Data是赛题提供的数据； 2. main.py 为程序入口代码； 3. Load_Save_Data.py 为加载和保存数据代码； 4. Data_Process.py 为数据预处理（特征工程）代码； 5. Train_Predict.py 为训练、预测数据代码； 6. DC_PV_Power_Predict_2018.ipynb 为初步拿到数据，在jupyter notebook上进行数据探索过程； 7. Task_Info.doc 为赛题要求