Saules enerģijas ražošanas prognoze

🌞 Saules enerģijas ražošanas prognozēšana

Problēmas apraksts

Nepieciešams izveidot regresijas modeli, kas prognozē ikdienas elektroenerģijas ražošanu (kWh) saules panelim, balstoties uz meteoroloģiskajiem apstākļiem un instalācijas raksturlielumiem.

Katrs paraugs pārstāv vienu ražošanas dienu un tiek raksturots ar vairākām skaitliskām pazīmēm, piemēram, gaismas intensitāti, gaisa temperatūru, vēja ātrumu un citām.

Mērķa etiķete (energy_output) pārstāv kopējo enerģiju, kas ģenerēta tajā dienā.

Šī problēma pieder pie univariātās regresijas kategorijas.

---

🔹 Pazīmes (features)

• solar_irradiance – vidējā saules radiācija (W/m²)
• temperature – vidējā gaisa temperatūra (°C)
• humidity – relatīvais mitrums (%)
• wind_speed – vidējais vēja ātrums (m/s)
• cloud_cover – vidējais mākoņu pārklājums (%)
• panel_angle – paneļa slīpuma leņķis (°)
• panel_efficiency – paneļa efektivitāte (%)

---

📘 Ievades failu struktūra

train.csv

Satur visas pazīmju kolonnas plus energy_output kolonnu, kas pārstāv mērķa vērtību.

Piemērs:

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

Satur tās pašas kolonnas kā train.csv, bet bez energy_output, un iekļauj SampleID.

---

📤 Iesniegšana

Izvades failam (submission.csv) jāsatur tieši divas kolonnas:

• SampleID
• energy_output – modeļa prognozētā vērtība (float, ar 2 decimālzīmēm)

Piemērs:

SampleID	energy_output
1	41.75
2	29.10
3	35.80

---

⚙️ Novērtēšana

Modeļu novērtēšana tiks veikta, izmantojot Root Mean Squared Error (RMSE):

kur N ir piemēru skaits testa kopā, y_i ir reālā vērtība un y^_i ir modeļa prognozētā vērtība.

Galīgais rezultāts tiks mērogots starp 0 un 100, tā lai mazs RMSE novestu pie liela rezultāta.

---

📊 Avots

Šai problēmai izmantotie dati ir sintētiski ģenerēti.