Päikeseenergia tootmise prognoosimine

🌞 Päikeseenergia tootmise prognoosimine

Probleemi kirjeldus

Soovitakse ehitada regressioonimudelit, mis prognoosiks päevast elektrienergia tootmist (kWh) päikesepaneelist, tuginedes ilmastikutingimustele ja paigaldise omadustele.

Iga näidis esindab ühte tootmispäeva ja on iseloomustatud mitme numbrilise atribuudiga, nagu valguse intensiivsus, õhutemperatuur, tuule kiirus ja teised.

Sihtsilt (energy_output) esindab sel päeval toodetud koguenergiat.

See probleem kuulub univariaatse regressiooni kategooriasse.

---

🔹 Tunnused (features)

• solar_irradiance – keskmine päikesekiirgus (W/m²)
• temperature – keskmine õhutemperatuur (°C)
• humidity – suhteline niiskus (%)
• wind_speed – keskmine tuule kiirus (m/s)
• cloud_cover – keskmine pilvisus (%)
• panel_angle – paneeli kaldenurk (°)
• panel_efficiency – paneeli efektiivsus (%)

---

📘 Sisendifailide struktuur

train.csv

Sisaldab kõiki tunnuste veerge pluss veerg energy_output, mis esindab sihtväärtust.

Näide:

SampleID	solar_irradiance	temperature	humidity	wind_speed	cloud_cover	panel_angle	panel_efficiency	energy_output
1	750.5	25.2	40.0	3.5	10	30	18.5	42.3
2	610.0	22.1	55.0	2.0	50	25	17.0	28.7

test.csv

Sisaldab samu veerge kui train.csv, kuid ilma energy_output-ita, ja sisaldab SampleID-d.

---

📤 Esitamine

Väljundfail (submission.csv) peab sisaldama täpselt kahte veergu:

• SampleID
• energy_output – mudeli prognoositud väärtus (float, 2 kümnendkohaga)

Näide:

SampleID	energy_output
1	41.75
2	29.10
3	35.80

---

⚙️ Hindamine

Mudelite hindamine toimub kasutades Root Mean Squared Error (RMSE):

kus N on testikomplekti näidete arv, y_i on tegelik väärtus ja y^_i on mudeli prognoositud väärtus.

Lõplik skoor skaleeritakse 0 ja 100 vahele, nii et väike RMSE viib suure skoorini.

---

📊 Allikas

Selle probleemi jaoks kasutatud andmed on sünteetiliselt genereeritud.