工程实践
储能系统性能预测
使用 Python 参与储能运行数据的清洗、模型训练、评估调参和可视化，对多种回归模型进行对比分析。
01
我的工作
- 使用 Python、Pandas 和 NumPy 对储能运行数据进行清洗与预处理。
- 参与处理缺失值、异常值和字段格式，使数据能够进入后续模型训练流程。
- 训练线性回归、随机森林和 XGBoost 等模型，对不同方法的表现进行比较。
- 参与模型评估，根据验证结果调整部分模型参数并重复实验。
- 使用 Matplotlib 对输入数据、预测结果和模型表现进行可视化，辅助结果分析。
02
技术流程
- 读取并检查储能运行数据
- 完成清洗、格式整理与训练数据准备
- 训练多种回归模型
- 评估结果并调整参数
- 通过图表对预测表现进行分析
03
问题与约束
原始运行数据需要先解决缺失、异常和格式不一致问题，模型结果也不能只依赖单次训练。参与过程中，我主要负责数据准备、多模型训练、评估调参和可视化分析，通过重复实验理解数据处理对结果的影响。
04
关键技术决策
先保证数据可用
在训练前完成缺失值、异常值和字段格式检查，避免模型比较建立在不一致的数据基础上。
使用多模型对照
同时训练线性模型和树模型，通过验证结果比较不同方法，而不是预设单一算法必然更好。
可视化辅助解释
将数据分布和预测结果转化为图表，帮助发现异常样本并理解模型表现。
05
结果与复盘
完成从数据清洗、多模型训练到评估与可视化的分析流程，积累了 Python 数据处理和机器学习实验经验；未将该原型描述为生产预测服务。
06
项目边界
内部分析型项目。本人参与数据与模型实验，未负责在线预测服务、生产部署或完整 MLOps 流程。