EnergiCast

Szybki start

Ten przewodnik prowadzi przez instalację EnergiCast oraz wykonanie minimalnej prognozy.

Instalacja

Zalecana jest instalacja w trybie deweloperskim (editable), aby mieć dostęp do przykładowych skryptów i dokumentacji:

python -m venv .venv
source .venv/bin/activate
pip install -e .[docs]

Instalacja .[docs] zapewnia wszystkie zależności wymagane do budowania dokumentacji oraz opcji CLI.

Minimalny przykład pipeline

Poniższy fragment korzysta z pliku examples/pv_sample.csv, aby wytrenować pipeline i wykonać prognozę jednodniową.

import pandas as pd
from energicast.config import DatasetConfig, TrainingConfig, ValidationConfig
from energicast.pipeline import ForecastPipeline

# 1. Wczytaj dane
frame = pd.read_csv("examples/pv_sample.csv", parse_dates=["timestamp"])

# 2. Przygotuj konfigurację
cfg = TrainingConfig(
    model="xgb",
    horizon=24,
    dataset=DatasetConfig(
        time_column="timestamp",
        target_column="power",
        known_covariates=["temp"],
        series_id_column="site",
    ),
    validation=ValidationConfig(method="rolling", test_size=48, n_windows=2, step_size=24),
)

# 3. Zbuduj i dopasuj pipeline
pipeline = ForecastPipeline(config=cfg)
pipeline.fit(frame)

# 4. Wygeneruj prognozę
forecast = pipeline.predict()
print(forecast.tail())

CLI

Te same kroki można wykonać z poziomu wiersza poleceń, korzystając z pliku examples/pv_config.yaml:

python -m energicast.cli train --config examples/pv_config.yaml --out runs/demo_model
python -m energicast.cli backtest --config examples/pv_config.yaml --out runs/demo_backtest
python -m energicast.cli report --backtest-dir runs/demo_backtest

Polecenie export opisano szczegółowo w przewodniku dotyczącym wdrażania.

This site is open source. Improve this page.