返回资讯中心
外部精选
软件工程
#开发者实时流

SolarCast 发布比利时光伏发电预测基准测试工具

来源标题:SolarCast – Benchmark energy forecasts on Belgian solar PV

SolarCast 推出共享能源数据回测框架,让不同预测模型在相同数据和预测周期下比较。该工具以比利时日前聚合光伏发电预测为起点,提供统一的数据、预测周期、信息可用性和评估指标,帮助能源团队判断新模型是否真正改善自身问题。项目以 Python 包 solarcast 形式发布,提供离线快速上手指南和公共 API 文档。

Hacker News 最新junaidbashir3922026/11/16 · 昨天14 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

在共享的能源数据回测上对比预测模型,先从比利时日前聚合光伏开始。 相同数据。相同预测周期。相同回测。让结果说话。 安装并运行离线快速入门 · 公共 API 指南 import pandas as pd from solarcast import BenchmarkConfig, benchmark

合成安装检查,并非比利时光伏数据或准确性证据。

pv = pd.DataFrame( "target_time": pd.date_range("2025-01-01", "2025-01-12", freq="15min", tz="UTC"), "pv_generation_mw": 100.0, ) config = BenchmarkConfig( issue_times=pd.date_range("2025-01-09 11:00", periods=2, freq="D", tz="Europe/Brussels"), observation_safety_lag="30min", # 显式的可用性近似 ) results = benchmark(data=pv, config=config, models=["seasonal_persistence_48h"]) results.leaderboard() # pandas DataFrame,包含共同支持集与可用性

为什么选择 SolarCast? 新的预测模型层出不穷。能源团队需要知道它们是否能改善自身的问题,但当数据、预测周期、信息可用性和指标各不相同时,排名很难解读。SolarCast 提供了一个通用框架:

发行包名为 solarcast-belgium;Python 导入名为 solarcast。 支持 Python 3.11–3.13。在新环境中从 PyPI 安装: python -m venv .venv

Windows PowerShell: ..venv\Scripts\Activate.ps1

Linux/macOS: source .venv/bin/activate

python -m pip install solarcast-belgium 运行上面的 Python 示例,即可仅使用基础依赖获得一个离线合成的排行榜。无需凭证、权重或 GFS 准备工作。如果无法激活环境,可使用 .venv/Scripts/python.exe(Windows)或 .venv/bin/python。

PyPI 包名为 solarcast-belgium;在 Python 中使用 import solarcast。对于源码检出工作流, 参见安装与示例。

对于真实数据,需提供带时区的刻钟目标时间区间起点 target_time,以及可为空的数值型 pv_generation_mw,并具备足够的历史数据和用于评分的实际值。发布计划和观测安全滞后是显式指定的。benchmark() 从不获取光伏或 NWP 数据。

公共标识符 类型 训练 预测天气 额外 last_value_persistence 基线 无 无 Core seasonal_persistence_48h 基线 无 无 Core seasonal_persistence_7d 基线 无 无 Core lightgbm 机器学习 预测试拟合 无 lightgbm lightgbm_history_radiation_cloud 机器学习 + NWP 预测试拟合 历史 GFS lightgbm t0 t0-gamma TSFM 零样本 无 t0 chronos Chronos-2 TSFM 零样本 无 chronos available_models() 报告依赖可用性,而不加载机器学习运行时。 在公共 API 中,TSFM 权重默认仅限本地;下载需要显式选择加入。 Weather LightGBM 需要准备好的本地 WeatherStore,且没有仅基于历史数据的回退方案。 关于显式的训练和天气先决条件,参见公共 API。

这些是已知周期的开发结果,并非未受污染的验证性评估,也不构成运营就绪的证据。先前的开发决策使用了这一数据总体。在推广之前,需要一个全新的验证周期。

Elia 比利时全国光伏,日前 15 分钟分辨率,2025 年 3 月至 10 月: 以 Europe/Brussels 时区 11:00 为起点共 245 个预测起点,每个模型 23,520 个共同刻钟,包含夜间。 所有五个模型均具有 100% 的预测可用性,且测试起点零失败。 输出为原始值:未做截断或夜间剔除。Weather-LightGBM 接收预测的辐照度/云量;其他模型仅使用历史数据。共享评分并不意味着信息集相同。光伏完成加 30 分钟以及 GFS 初始化加六小时是可用性假设,而非经认证的历史时点证据。数据修订和 TSFM 预训练重叠问题仍未解决。 数值来自经哈希认证的冻结扩展排行榜,未进行新的拟合或推理。参见完整实验报告、 公共聚合快照以及 可复现性限制。精确重放目前需要本地不可变工件,这些工件不随此仓库分发。

发布 T -> 根据声明策略选择符合条件的历史/NWP -> 模型 -> 未来目标 -> 评估器连接实际值 -> 共同支持集评分 LightGBM 在连接拟合时符合条件的标签之前,重建历史训练特征/版本。失败的起点仍可见。季节性滞后使用精确的 UTC 经过时长;次日目标遵循布鲁塞尔日历边界。 阅读回测与评估。

大型数据集、GFS 缓存、训练模型、权重和预测缓存不再分发。小型有文档记录的测试夹具和聚合指标是有意例外,适用单独的第三方条款。 从文档索引、公共 API 或示例目录开始。研究笔记本 是干净的源代码,需要单独的本地工件,而非初学者快速入门。 只安装你需要的部分,例如 python -m pip install -e ".[lightgbm]"。 笔记本工具有单独的开发依赖要求。 安装额外项不会下载检查点。

活跃开发/研究软件:0.1.0。API 在 1.0 之前可能演变。运营级 forecast()、自动最佳模型 选择、集成和概率评估尚未实现。 参见 CONTRIBUTING.md、SECURITY.md、 CHANGELOG.md、路线图以及 发布流程。 不提供任何生产或运营准确性保证。 CITATION.cff 包含最小的项目实体归属;个人 作者身份系有意不虚构。不主张任何 DOI。 软件采用 Apache-2.0 许可;外部数据、权重和测试夹具保留其 自身的来源和条款。

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →