sains-data / Forecasting-SolarEnergyProduction-LSTM

Memprediksi produksi enery surya menggunakan LSTM (long short-term memory)

Web Apilikasi Untuk Memprediksi Produksi Energi Surya

Table Of Content

• Demo
• Overview
• Technical Aspects
• Installation
• Deployment on Streamlit
• Technologies Used
• Team

Demo

Interface

input data untuk prediksi

hasil prediksi

bisa juga menggunakan data pickle

The App link

Overview

Ini adalah aplikasi web yang dibangun dengan menggunakan konsep Prediksi Produksi Energi Surya. Aplikasi web dibuat menggunakan kerangka kerja Streamlit bersama dengan TensorFlow untuk tujuan Deep Learning dan telah diterapkan di cloud streamlit. Project ini menggunakan LSTM untuk memprediksi produksi energi surya di masa mendatang, yang dipengaruhi oleh variabel-variabel eksogen. Dengan Hasil Evaluasi Matriks RMSE yaitu 523.22775.

Technical Aspects

Seluruh project dikerjakan menggunakan python di google colab.

Project

Pengerjaan project ini dibagi menjadi 4 langkah

• Mengambil Data

  • Dataset didapatkan dari website Mendeley Data, dibuat oleh California Independent System Opreator (CAISO) dan the National Renewable Energy Laboratory (NREL). Dataset ini merupakan produksi energi surya (PV production) setiap 5 menit dari tahun 2019 sampai tahun 2021. Serta variabel endogen atau variabel yang mempengaruhi nya mencakup season, hari dalam seminggu, radiasi matahari, kecepatan angin, kelembapan udara dan suhu udara.

• Memproses Data terlebih dahulu

  • Saat mengambil data, kami perlu memprosesnya terlebih dahulu. Kami menggunakan LSTM karena cocok untuk analisis deret waktu. Jadi kita perlu mengubah data ke dalam format yang kompatibel dengan LSTM.

• Model Pelatihan

  • Setelah pra-pemrosesan, data dikirim ke model untuk dilatih.

• Menghasilkan prakiraan dan menampilkan

  • Setelah pelatihan, data baru digunakan untuk memperkirakan nilai masa depan.

Installation

Untuk menginstal paket dan pustaka yang diperlukan, jalankan perintah ini di direktori proyek setelah mengkloning repositori: pip install -r requirements.txt

Execution

streamlit run appName.py

• Buat akun di streamlit
• Hubungkan akun github Anda dengan akun streamlit.
• Buat aplikasi dengan memilih pengaturan masing-masing seperti repositori

Technologies Used

Libraries	Usage
Numpy	Digunakan untuk komputasi numerik di Python.
Pandas	Digunakan untuk membaca file dan operasi lainnya saat bekerja dengan data besar.
Scikit-learn	Library machine learning untuk Python.
Keras	Framework high-level untuk membangun dan melatih model deep learning.
TensorFlow	Library deep learning yang digunakan untuk membangun dan melatih model neural network.
Streamlit	Framework untuk membuat antarmuka web aplikasi dengan cepat.

Team 5 RB

• Muhammad Dafha Syahrizal - 120450050
• Akbar Fadillah Irsyad - 120450026
• Queena Aurora Batubara - 120450062