新能源（太阳能）发电探索性分析及预测 · Solar Power Generation

项目简介：基于印度两座太阳能电站的发电数据（DC/AC 功率、日发电量）与气象传感器数据（环境温度、组件温度、辐照度），完整走通数据读取 → 探索性分析（EDA）→ 相关性分析 → 机器学习预测 → 可视化交付的数据分析标准链路。

核心目标：① 探究辐照度、温度与发电功率之间的规律；② 构建发电功率预测模型，辅助光伏电站运营与调度；③ 通过数据大屏直观呈现两站运行状态。

成果：识别出辐照度（IRRADIATION）是影响发电功率的决定性特征；Plant 1 逆变器出力稳定（σ=10.07 kW）、线性回归 R²=0.911、GBM 预测 R² 达 0.97；Plant 2 出力波动大（σ=32.00 kW），去除 DC 功率离群点后 GBM R² 由 0.61 提升至 0.782，并配套 Streamlit 数据大屏。

在线演示项目介绍页源码仓库

📅 2026-08-14 ｜分类：数据分析 / 机器学习｜标签：Python / scikit-learn / plotly / Streamlit

一、项目背景

太阳能发电受天气（辐照度、温度）影响具有明显的波动性，如何基于历史发电与气象数据预测未来发电功率，对光伏电站的运营与电网调度至关重要。本项目以印度两座太阳能电站（Plant 1 / Plant 2，每站 22 台逆变器）的发电与气象传感器数据为对象，完成探索性分析、相关性分析与发电功率预测建模。

二、数据与预处理

数据来源：Kaggle「Solar Power Generation Data」公开数据集（印度两座太阳能电站）。
数据规模：两站发电数据与气象传感器数据合并后共 136,472 条记录，时间跨度 2018-05 ~ 11。
数据字段：DC 功率、AC 功率、日发电量、环境温度、组件温度、辐照度等。

三、分析流程与关键结论

步骤	内容
数据读取与合并	两站发电数据 + 气象数据按时间对齐合并
EDA	辐照度随时间分布（按日期 / 按时刻）、温度-功率与辐照-功率散点、逆变器平均出力对比
相关性分析	温度 / 辐照度与发电功率的相关性热力图
建模预测	线性回归 / 梯度提升（GBM），时间序列切分训练测试，R² / MSE 评估
模型解释	真实 vs 预测曲线、特征重要性

关键结论

指标	Plant 1	Plant 2
逆变器平均出力稳定性	稳定（σ=10.07 kW）	不稳定（σ=32.00 kW）
线性回归 R²（模块温度→DC）	0.911	0.562
GBM 预测 R²（默认参数）	0.97	0.61
GBM 预测 R²（去除离群点后）	—	0.782

💡 辐照度（IRRADIATION）是影响发电功率的决定性特征；Plant 2 逆变器出力波动明显大于 Plant 1，去除 DC 功率离群点后可显著提升模型表现。

# 发电功率预测核心流程（摘要）
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.linear_model import LinearRegression

# 时间序列切分：前 80% 训练，后 20% 测试
model = GradientBoostingRegressor()
model.fit(X_train, y_train)
r2 = model.score(X_test, y_test)  # Plant 1 → 0.97

四、Streamlit 数据大屏

深色科技风交互看板，包含三大功能模块：

模块	功能
📊 数据概览	KPI 大屏卡（电站 / 逆变器 / 记录数 / 平均功率）、DC/AC 功率时间序列、日均发电量对比、合并数据预览
🔍 探索性分析	辐照度随时间分布（按日期 / 按时刻）、温度-功率与辐照-功率散点、逆变器平均出力对比、相关性热力图
⚡ 发电预测	线性回归 / 梯度提升（GBM）模型，R² / MSE 评估、真实 vs 预测曲线、特征重要性

1
2
3

# 启动 Streamlit 数据大屏
streamlit run streamlit_app.py
# 浏览器打开 http://localhost:8501

五、技术栈与项目结构

技术栈：Python 3 · pandas / numpy / matplotlib / seaborn / plotly / scikit-learn / Streamlit / Jupyter。

文件 / 目录	说明
`Plant_1_Generation_Data.csv`	1 号电站发电数据
`Plant_1_Weather_Sensor_Data.csv`	1 号电站气象数据
`Plant_2_Generation_Data.csv`	2 号电站发电数据
`Plant_2_Weather_Sensor_Data.csv`	2 号电站气象数据
`印度新能源（太阳能）发电探索性分析与预测.ipynb`	完整分析 Notebook（EDA + 预测）
`streamlit_app.py`	Streamlit 数据大屏
`index.html`	项目介绍页

六、相关链接

在线演示：https://solar-energy-eda-prediction-jpb7yet2fu5braxhvsf5kt.streamlit.app/
项目介绍页：https://yohoten.github.io/solar-energy-eda-prediction/
源码仓库：https://github.com/yohoten/solar-energy-eda-prediction
数据来源：https://www.kaggle.com/datasets/anannayam/solar-power-generation-data