1.前言
1.1.运行效果：风速发电预测（线性回归模型 、XGBoost模型 、决策树回归模型 、随机森林回归模型 、梯度提升回归模型与LSTM模型对比，多特征输入，单标签输出，可轻易替换_哔哩哔哩_bilibili
1.2.环境库：
如果库版本不一样， 一般也可以运行，这里展示我运行时候的库版本，是为了防止你万一在你的电脑上面运行不了，可以按照我的库版本进行安装并运行
如果想查看自己本地目前库的版本，可以运行下面的代码
import tensorflow as tf print("TensorFlow版本:", tf.__version__) import numpy as np import pandas as pd import datetime as dt import plotly import matplotlib print("NumPy版本:", np.__version__) print("Pandas版本:", pd.__version__) print("Plotly版本:", plotly.__version__) print("Matplotlib版本:", matplotlib.__version__) import xgboost import sklearn print("XGBoost版本:", xgboost.__version__) print("sklearn版本:", sklearn.__version__)2.数据集介绍
2022年美国某个风电场数据集（从1月1号中午12:00开始收集数据，截止时间为：12月31号下午11:00，每隔一个小时收集数据一次），一共8760行数据。
一共有6列数据：列名字为Time stamp（2022）； System power generated | (kW) ；Wind speed | (m/s)； Wind direction | (deg)； Pressure | (atm) ；Air temperature | ('C)；
对应的中文名字：时间戳（"Time stamp"）；系统发电功率；风速；风向；气压；空气温度。
数据开始位置
数据截止位置
3.项目文件夹
data文件夹装载风力发电数据集
code.py是线性回归模型 、XGBoost模型 、决策树回归模型 、随机森林回归模型 、梯度提升回归模型
LSTM.py是LSTM预测模型
version.py是查看自己本地目前库的版本
4.效果
4.1.五个传统机器学习模型（线性回归模型 、XGBoost模型 、决策树回归模型 、随机森林回归模型 、梯度提升回归模型）
一个样本的特征：风速；风向；气压；空气温度；样本对应的标签：系统发电功率。
训练集与测试集比例：4:1。也就是前6608行数据为训练集，后1652行是测试集。
线性回归模型
XGBoost模型
决策树回归模型
随机森林回归模型
梯度提升回归模型
五个模型的训练集与测试集RMSE
测试集的MSE
4.2.LSTM模型
因为前面五个传统机器学习模型效果已经不错了，所以这里LSTM采用另外一种特征情况
一个样本的特征（黄色部分）：系统发电功率前24个值；样本对应的标签（蓝色部分）：第25个点的系统发电功率。
LSTM模型：测试集预测值和真实值
