Vax-Dealers: запуск прогноза ВЭС

Проект строит почасовой прогноз нормализованной мощности двух турбин на 48 часов. Он воспроизводит 29 ежедневных выпусков с 31 января по 28 февраля 2026 года и формирует отдельную таблицу на все 672 часа февраля для каждой турбины. Число от 0 до 1 — доля номинальной мощности, а не МВт·ч.

Схема работы: CSV турбин → полные часы измерений → архивные прогнозы погоды по координатам → обучение модели → ежедневные выпуски → проверка и сохранение результатов. Прогноз на каждый день использует только архивные прогнозные погодные значения с заданным опережением; фактическая февральская погода и мощность в признаки не подставляются.

Что потребуется

• Python 3.12 и доступ к интернету для установки зависимостей и загрузки архива погоды.
• Два исходных CSV в папке raw/. Имена должны оканчиваться на turbine 1.csv и turbine 2.csv. Программа ищет по одному файлу для каждой турбины.
• Команды ниже выполняются из корня репозитория. API-ключ для Open-Meteo не требуется.

Готовые результаты можно посмотреть без запуска программы: скачайте архив CSV и распакуйте его в корень проекта.

Установка

Windows PowerShell:

py -3.12 -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install -r requirements.txt

Linux/macOS:

python3.12 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt

Полный расчёт

python wind_agent.py prepare --data-dir raw
python wind_agent.py fetch
python wind_agent.py train
python wind_agent.py replay

1. prepare проверяет CSV, собирает полные часы из шести десятиминутных записей и создаёт data/hourly.csv, reports/data_audit.json и reports/timezone_audit.json.
2. fetch загружает архивные прогнозы GFS через Open-Meteo по координатам обеих турбин в cache/. По умолчанию берётся период с 01.04.2024 по 02.03.2026; уже скачанные месяцы используются повторно.
3. train обучает модель и создаёт models/forecast.joblib, reports/model_card.json, reports/january_metrics.csv и reports/january_predictions.csv.
4. replay повторно получает погоду для расчётного интервала и формирует ежедневные 48-часовые прогнозы. По умолчанию даты выпусков — с 31.01 по 28.02.2026.

Модель HistGradientBoostingRegressor обучается на почасовых значениях мощности до декабря 2025 года, подбирается по декабрю, а финальная версия обучается по 31 декабря. Январь используется для проверки точечного прогноза и настройки диапазонов неопределённости. В феврале модель остаётся зафиксированной, обновляются погодные признаки.

Для повторного расчёта без сетевых запросов после fetch используйте:

python wind_agent.py replay --offline

Если нужно принудительно обновить весь погодный кэш:

python wind_agent.py fetch --refresh

Один выпуск и автоматическое обновление

Для одного исторического выпуска укажите одинаковые начальную и конечную даты:

python wind_agent.py replay --first-issue 2026-02-10 --last-issue 2026-02-10

Чтобы повторять загрузку погоды и расчёт для этой же даты каждый час, запустите:

python wind_agent.py watch --issue-date 2026-02-10 --interval-seconds 3600

watch работает до остановки Ctrl+C. Интервал должен быть не меньше 60 секунд. Дата выпуска зафиксирована параметром --issue-date: процесс сам не переходит к следующему дню. Для автоматического запуска после перезагрузки добавьте эту команду в Планировщик заданий Windows или в cron/systemd с рабочей папкой репозитория и Python из .venv.

Если нужна последовательная обработка всего февраля, используйте одну команду python wind_agent.py replay; она создаёт 29 ежедневных выпусков за один запуск. Для отдельного выпуска результаты записываются в results/cycles/<дата>/, поэтому он не заменяет таблицы полного расчёта.

Где находятся результаты

• results/forecasts_48h.csv — все ежедневные выпуски, по 48 часов для каждой турбины. Поля issue_utc, valid_utc и valid_local показывают время выпуска и прогнозируемый час; prediction — нормализованная мощность от 0 до 1.
• results/submission_february.csv — по одному прогнозу на каждый час февраля для каждой турбины, выбранному из горизонта 1–24 часа.
• results/station_february.csv — оба прогноза рядом; столбец equal_capacity_mean_assumption предполагает равную номинальную мощность турбин.
• results/run_summary.json — число выпусков, строк и случаев резервного расчёта. После нового запуска содержит также fetch_status: refreshed, offline_cache или cache_after_refresh_failure.
• results/agent_events.jsonl — журнал этапов, проверок и отпечатков входных данных. Каждое повторение дописывает события в этот файл.
• reports/january_metrics.csv — проверка модели на январских данных.

status=weather_model означает расчёт по погоде. status=fallback_climatology означает, что погодных данных не хватило и использовано историческое среднее; такой результат нужно проверять отдельно. Если обновление архива завершится ошибкой, программа сообщит об этом в терминале и попробует имеющийся кэш. Проверьте fetch_status в сводке: успешный расчёт по кэшу не означает, что сеть сработала.

В январских метриках MAE на горизонте 1–24 часа составляет 0,205 для турбины 1 и 0,207 для турбины 2. Это средняя абсолютная ошибка около 20–21 процентного пункта нормализованной мощности. Февральских фактических значений в предоставленных CSV нет, поэтому заявлять февральскую точность нельзя.

Проверка и настройка времени

Запуск тестов:

python -m unittest discover -s tests -v

CSV не содержат часового пояса. По умолчанию программа считает их метки временем UTC+5. Для проверки признаков времени отдельно запустите:

python wind_agent.py timezone-audit --data-dir raw

Если оператор подтвердит другое смещение, укажите его перед командой во всём цикле подготовки, обучения и расчёта, например:

python wind_agent.py --scada-utc-offset-hours 6 prepare --data-dir raw
python wind_agent.py --scada-utc-offset-hours 6 fetch
python wind_agent.py --scada-utc-offset-hours 6 train
python wind_agent.py --scada-utc-offset-hours 6 replay

Модель хранит выбранное смещение и отклоняет расчёт с другим значением. В исходных CSV нет фактической выработки за февраль, поэтому февральская ошибка в результатах не вычисляется. Значения prediction нормализованы; для перевода в МВт и МВт·ч нужны номинальные мощности турбин.

Что ограничивает проверку регламента

Условие	Что есть в проекте	Что ещё нужно
Погода, доступная на момент выпуска	Open-Meteo Previous Runs: ряды с фиксированным опережением 1–3 суток; выбор учитывает дополнительный 12-часовой запас.	История отдельных запусков погодной модели с подтверждённым временем публикации. API фиксированного опережения не доказывает точное время доступности каждого значения.
Часовой пояс SCADA	Допущение UTC+5 для моделируемого периода, сохранённое в отчёте и модели.	Подтверждение от организаторов или оператора турбин. В CSV нет смещения UTC; местное гражданское время само по себе не подтверждает настройки контроллера.
Выработка станции в энергии	Отдельный нормализованный прогноз по каждой турбине; условное среднее при одинаковых мощностях.	Номинальная мощность каждой турбины, чтобы получить МВт и МВт·ч.

Если запуск остановился

Сообщение или симптом	Действие
Expected one turbine ... .csv	Проверьте папку raw/ и окончания имён двух CSV.
No weather archive; run fetch first	Запустите python wind_agent.py fetch; проверьте интернет.
Wrong turbine coordinates или Missing or misaligned	Удалите названный в ошибке файл из cache/ и повторите fetch --refresh. Программа отклоняет повреждённый или чужой погодный файл.
Model trained with SCADA UTC offset ...	Используйте прежнее смещение либо повторите prepare и train с подтверждённым новым смещением.
Нет models/forecast.joblib	Выполните prepare, fetch, train в указанном порядке. Архив готовых CSV не содержит обученную модель.