WindMind AI

Система почасового прогноза мощности двух ветроустановок на горизонте 24 или 48 часов.

Проект включает подготовку SCADA-данных, обучение отдельных моделей для двух турбин, историческую проверку, работу с архивной прогнозной погодой и интерфейс на Streamlit.

Что реализовано

В проекте есть два режима работы с погодой:

1. Интерактивный режим — использует Open-Meteo Previous Runs и выводит почасовой расчёт в Streamlit.
2. Режим архивных выпусков — принимает прогнозы с известными issued_at и available_at, проверяет источник, полноту горизонта и время доступности данных.

Основной результат модели — predicted_power, нормализованная мощность каждой турбины. Физическая шкала подключается через коэффициенты normalization_to_mw в конфигурации.

Данные

Исходные CSV находятся в каталоге ВЭС/data/raw/.

Период наблюдений:

• начало: 2023-03-11 00:00;
• конец: 2026-01-31 23:50;
• турбина 1: 142 360 строк;
• турбина 2: 149 499 строк;
• шаг измерений: 10 минут.

Используемые поля:

• время измерения;
• средняя скорость ветра;
• средняя температура воздуха;
• нормализованная активная мощность.

Названия некоторых старых файлов содержат слово february, хотя фактические SCADA-данные заканчиваются 31 января 2026 года.

Подготовка данных

Модуль src/data.py:

• определяет UTF-8, CP1251 или UTF-16;
• определяет разделитель CSV;
• проверяет обязательные поля;
• сохраняет точные нулевые значения мощности;
• исключает конфликтующие временные метки;
• не заполняет пропущенные часы вымышленными значениями;
• агрегирует 10-минутные измерения в почасовые интервалы;
• помечает часы, пригодные для обучения.

По умолчанию час допускается к обучению, только если содержит шесть корректных 10-минутных измерений.

Настройки находятся в config/settings.json. Смысл временной метки, задержка поступления SCADA и шкала мощности вынесены в конфигурацию и не зашиты в код обработки данных.

Модель

Для каждой турбины обучается отдельный HistGradientBoostingRegressor.

Признаки модели:

• wind_speed;
• temperature.

Базовая модель рассчитывает среднюю мощность по диапазонам скорости ветра шириной 0,5 м/с.

Для исторического расчёта используется point-in-time обучение:

• берутся только завершённые почасовые интервалы;
• учитывается настроенная задержка поступления SCADA;
• данные после момента расчёта не используются;
• февральские целевые значения в обучение не попадают;
• модель и базовый метод обучаются на одном и том же доступном срезе.

Прогноз по умолчанию ограничивается диапазоном мощности обучающей выборки. Неограниченный результат сохраняется отдельно в поле raw_predicted_power.

Результаты проверки

Проверка на измеренной погоде

Модель обучается на данных до января 2026 года и проверяется на 744 часах января.

Турбина	MAE модели	RMSE модели	MAE baseline	RMSE baseline
1	0.024855	0.048331	0.035322	0.058432
2	0.027006	0.064151	0.039181	0.072893

Эта проверка отдельно измеряет качество преобразования фактической погоды в мощность. Проверка на прогнозной погоде приведена ниже.

Проверка на архивной прогнозной погоде

Для дополнительной проверки используются фиксированные срезы Open-Meteo Previous Runs за 24 и 48 часов до целевого времени.

Турбина	Срез погоды	MAE модели	MAE baseline
1	24 ч	0.3162	0.3090
1	48 ч	0.3477	0.3388
2	24 ч	0.3111	0.3109
2	48 ч	0.3423	0.3411

Средняя абсолютная ошибка прогнозного ветра относительно SCADA составляет примерно 3,24–3,56 м/с. Сравнение с baseline сохранено в отчёте и используется как ориентир для следующей версии модели.

Open-Meteo Previous Runs используется для fixed-lead проверки. Для точного воспроизведения полного выпуска в проекте предусмотрен отдельный формат с полями issued_at и available_at.

Установка

Требуется Python 3.12.

python -m venv .venv
.\.venv\Scripts\python.exe -m pip install --upgrade pip
.\.venv\Scripts\python.exe -m pip install -r requirements.txt

Полный набор закреплённых зависимостей находится в requirements-lock.txt.

Подготовка данных и обучение

.\.venv\Scripts\python.exe -m src.train

Команда:

• проверяет исходные CSV;
• создаёт data/processed/hourly.csv;
• сохраняет отчёт reports/data_quality.json;
• выполняет январскую валидацию;
• сохраняет модели в models/validated/;
• записывает метрики в reports/metrics.json.

После изменения версии scikit-learn, исходных данных или настроек модели необходимо переобучить модели и удалить старый кэш models/point_in_time/.

Запуск интерфейса

.\.venv\Scripts\python.exe -m streamlit run app.py

Или:

.\run.bat

В интерфейсе можно выбрать:

• дату и час расчёта;
• горизонт 24 или 48 часов;
• таблицу почасовых результатов;
• графики мощности и погоды;
• исследовательский сценарный расчёт;
• отчёт январской валидации.

Streamlit объединяет выбор временного среза, графики, таблицу прогноза, сценарный расчёт и отчёты в одном интерфейсе. Расчётное ядро сохраняет нормализованную мощность и сведения о выбранном погодном срезе.

Исследовательский replay

Загрузка или обновление архива Previous Runs:

.\.venv\Scripts\python.exe -m src.previous_runs

Расчёт за февральский период:

.\.venv\Scripts\python.exe -m src.evaluation

Проверка на январских фактических значениях мощности:

.\.venv\Scripts\python.exe -m src.evaluation --january

Диагностический архив хранится в data/weather/diagnostics/. Его SHA-256, период, погодная модель и координаты проверяются перед использованием.

Строгий погодный контракт

Рабочий файл data/weather/forecasts.csv должен содержать:

turbine_id
issued_at
available_at
valid_time
wind_speed
temperature

Все временные поля должны содержать UTC-смещение. Для каждого выпуска требуется data/weather/source.json с источником, единицами измерения, высотой ветра, подтверждением совместимости со SCADA и SHA-256 файла.

Полное описание формата находится в config/WEATHER_INPUT.md.

После подключения архива расчёт запускается командой:

.\.venv\Scripts\python.exe -m src.agent --origin "2026-02-01T00:00:00+05:00" --horizon 48

Режим наблюдения за обновлением файла:

.\.venv\Scripts\python.exe -m src.agent --watch --interval 60

Строгий replay за период:

.\.venv\Scripts\python.exe -m src.backtest

Входной контроль отклоняет неполные выпуски и предотвращает расчёт по данным, которые ещё не были доступны в выбранный момент времени.

Загрузка NOAA GFS

Скрипт fetch_gfs_archive.py загружает отдельные прогнозные поля NOAA GFS через Herbie и формирует forecasts.csv и source.json.

Пример короткой проверки:

.\.venv\Scripts\python.exe fetch_gfs_archive.py --start 2026-01-30 --end 2026-01-30 --max-fxx 6 --cycles 18

Пример архива на 48 часов:

.\.venv\Scripts\python.exe fetch_gfs_archive.py --start 2026-01-30 --end 2026-02-28 --max-fxx 48 --cycles 00,06,12,18

Перед использованием полученного архива необходимо проверить координаты, время доступности выпусков, способ приведения ветра к высоте турбины и совместимость со SCADA.

Тесты

.\.venv\Scripts\python.exe -m unittest discover -s tests -v

Текущий набор содержит 33 теста. Проверяются:

• разбор и агрегация CSV;
• дубли, конфликты и пропущенные часы;
• временные зоны и доступность данных;
• полнота погодного горизонта;
• point-in-time обучение;
• ограничение прогнозов;
• контроль SHA-256;
• сохранение версий расчёта;
• базовый запуск Streamlit.

Структура проекта

app.py                         Streamlit-интерфейс
config/settings.json          настройки данных и расчёта
config/WEATHER_INPUT.md       контракт погодного источника
src/data.py                   чтение и подготовка SCADA
src/train.py                  обучение и январская проверка
src/model_store.py            point-in-time модели и кэш
src/predict.py                проверка входа и прогноз
src/weather_service.py        выбор доступного погодного выпуска
src/previous_runs.py          исследовательский архив Open-Meteo
src/evaluation.py             fixed-lead проверка
src/agent.py                  версия расчёта и журнал событий
src/backtest.py               строгий replay
fetch_gfs_archive.py          загрузка выпусков NOAA GFS
tests/                        автоматические тесты
reports/                      метрики и диагностические отчёты

Развитие проекта

Следующие задачи относятся к подключению проекта к данным конкретной ВЭС:

• настройка физической шкалы мощности по паспортам турбин;
• привязка высоты прогнозного ветра к высоте SCADA-измерений;
• загрузка фактической мощности за февраль для проверки полного периода;
• добавление статусов работы, остановок и curtailment;
• калибровка вероятностного интервала прогноза;
• обновление модели по результатам fixed-lead проверки.

Текущая версия закрывает полный воспроизводимый цикл: исходные SCADA-данные → почасовая агрегация → обучение → историческая проверка → прогноз на 24/48 часов → интерфейс и CSV-выгрузка.