本项目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。
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。
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。
线性回归 / 梯度提升（GBM）模型，时间序列切分训练测试，R² / MSE 评估、真实 vs 预测曲线、特征重要性。
| 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。
# 1. 安装依赖 pip install -r requirements.txt # 2. 启动 Streamlit 数据大屏 streamlit run streamlit_app.py # 浏览器打开 http://localhost:8501 # 3. 或使用 Jupyter Notebook 复现分析 jupyter notebook 印度新能源（太阳能）发电探索性分析与预测.ipynb
新能源（太阳能）发电探索性分析及预测/ ├── 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 ├── streamlit_app.py # Streamlit 数据大屏 ├── requirements.txt # Python 依赖 ├── README.md # 项目说明 └── index.html # 本介绍页