File size: 12,190 Bytes
0e767d3
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
e14a596
 
0e767d3
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
7e77738
0e767d3
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
e14a596
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
0e767d3
 
dfdadc1
 
0e767d3
e14a596
 
 
 
 
 
 
 
 
 
 
dfdadc1
0e767d3
 
 
 
 
 
 
 
 
 
 
e14a596
 
 
 
0e767d3
 
 
 
 
 
e14a596
0e767d3
 
 
dfdadc1
3a0da47
e14a596
dfdadc1
e14a596
 
6a4b1ed
e14a596
 
 
 
dfdadc1
6a4b1ed
dfdadc1
 
 
 
 
 
 
0e767d3
e14a596
 
 
 
 
dfdadc1
 
 
 
 
 
 
 
 
 
 
0e767d3
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
c412ce1
0e767d3
 
 
 
 
 
 
 
 
e14a596
 
 
 
 
 
 
0e767d3
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Module de prétraitement des données pour le projet d'IA solaire.
Ce module permet de charger les fichiers CSV contenant les courbes I-V,
d'extraire les caractéristiques et les paramètres cibles, et de préparer
les données pour l'entraînement du modèle.
"""

import joblib
import os
import glob
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
import logging
from scipy.interpolate import interp1d


# Configuration du logging
logging.basicConfig(level=logging.INFO, 
                    format='%(asctime)s - %(name)s - %(levelname)s - %(message)s')
logger = logging.getLogger(__name__)

class SolarDataProcessor:
    """
    Classe pour le prétraitement des données de cellules solaires.
    """
    
    def __init__(self,model_dir, data_dir, n_points=230):
        """
        Initialise le processeur de données.
        
        Args:
            data_dir (str): Chemin vers le répertoire contenant les fichiers CSV.
            n_points (int): Nombre de points à utiliser pour l'interpolation des courbes I-V.
        """
        self.data_dir = data_dir
        self.model_dir = os.path.join(os.getcwd(), "models")
        self.n_points = n_points
        self.input_scaler = StandardScaler()
        self.output_scaler = StandardScaler()
        self.X_train = None
        self.X_val = None
        self.X_test = None
        self.y_train = None
        self.y_val = None
        self.y_test = None
        self.X_user = None
        self.y_user = None
        
    def find_csv_files(self):
        """
        Trouve tous les fichiers CSV dans le répertoire de données.
        
        Returns:
            list: Liste des chemins vers les fichiers CSV.
        """
        csv_pattern = os.path.join(self.data_dir, "*.csv")
        csv_files = glob.glob(csv_pattern)
        logger.info(f"Trouvé {len(csv_files)} fichiers CSV dans {self.data_dir}")
        return csv_files
    
    def load_and_process_file(self, file_path):
        """
        Charge et prétraite un fichier CSV.
        
        Args:
            file_path (str): Chemin vers le fichier CSV.
            
        Returns:
            tuple: (X, y) où X est la courbe I-V et y sont les paramètres cibles.
        """
        try:
            # Charger le fichier CSV
            df = pd.read_csv(file_path)
            
            # Vérifier que les colonnes attendues sont présentes
            required_cols = ['V', 'I', 'Rsh', 'Rs', 'n', 'J0', 'Jph']
            if not all(col in df.columns for col in required_cols):
                logger.warning(f"Colonnes manquantes dans {file_path}, fichier ignoré")
                return None, None
            
            # Extraire les colonnes V et I comme entrées
            X = df[['V', 'I']].values
            
            # Extraire les paramètres cibles (utiliser la première ligne car ils sont répétés)
            y = df[['Rsh', 'Rs', 'n', 'J0', 'Jph']].iloc[0].values
            
            return X, y
            
        except Exception as e:
            logger.error(f"Erreur lors du chargement du fichier {file_path}: {e}")
            return None, None
    
    def interpolation(self, X):
        """
        interpole une courbe I-V pour avoir un nombre fixe de points.
        
        Args:
            X (numpy.ndarray): Courbe I-V d'origine.
            
        Returns:
            numpy.ndarray: Courbe I-V normalisée.
        """
        
        # Interpolation pour avoir n_points
        v_min, v_max = X[0, 0], X[-1, 0]
        v_new = np.linspace(v_min, v_max, self.n_points)
        
        # Interpolation linéaire pour le courant
        i_new = np.interp(v_new, X[:, 0], X[:, 1])
        
        # Retourner la courbe normalisée
        return np.column_stack((v_new, i_new))
    
        if post_train:
                # Si post_train est True, ne pas diviser les données
                input_path = os.path.join(self.model_dir, 'input_scaler.pkl')
                self.input_scaler = joblib.load(input_path)
                X_scaled = self.input_scaler.transform(X_flat)
    
                self.output_scalers = []
                y_scaled_list = []
                for i in range(5):
                    scaler_path = os.path.join(self.model_dir, f'output_scaler_{i}.pkl')
                    scaler = joblib.load(scaler_path)
                    self.output_scalers.append(scaler)
                    y_scaled = scaler.transform(y_split[i])
                    y_scaled_list.append(y_scaled)
                
                self.X_user = X_scaled
                self.y_user = y_scaled_list
                print("self.y_user", self.y_user)
                print("self.X_user", self.X_user)
    
                return True
        else:
            input_path = os.path.join(self.model_dir, 'input_scaler.pkl')

            X_scaled = self.input_scaler.fit_transform(X_flat)
            joblib.dump(self.input_scaler, input_path)

            self.output_scalers = []
            y_scaled_list = []
            for i in range(5):
                scaler = StandardScaler()
                y_scaled = scaler.fit_transform(y_split[i])
                self.output_scalers.append(scaler)
                y_scaled_list.append(y_scaled)
                scaler_path = os.path.join(self.model_dir,f'output_scaler_{i}.pkl')
                joblib.dump(scaler,scaler_path)
            y_scaled = np.hstack(y_scaled_list)

            # Diviser les données: 70% entraînement, 15% validation, 15% test
            X_train_val, X_test, y_train_val, y_test = train_test_split(
                X_scaled, y_scaled, test_size=0.15, random_state=42)
            
            X_train, X_val, y_train, y_val = train_test_split(
                X_train_val, y_train_val, test_size=0.15/0.85, random_state=42)
            
            # Stocker les données
            self.X_train = X_train
            self.X_val = X_val
            self.X_test = X_test
            self.y_train = self.split_labels(y_train)
            self.y_val = self.split_labels(y_val)
            self.y_test = self.split_labels(y_test)

            
            logger.info(f"Prétraitement terminé: {len(X_train)} échantillons d'entraînement, "
                    f"{len(X_val)} de validation, {len(X_test)} de test")
        
        return True
    
    def preprocess_input(self, csv_files, path, A = True):
        X_list = []
        I_list = []
        V_list = []
        for file_path in csv_files:
            df = pd.read_csv(file_path)
            if not A:
                df["I"] = df["I"]*1e-3 
                #jsc = float(interp1d(df['V'], df['I'], bounds_error=False, fill_value='extrapolate')(0))
                #print('jsc', jsc)

                #df["I"] = df["I"] - jsc

            if df['I'].iloc[-1] < 0:
                df["I"] = -df["I"]           
            X = df[['V', 'I']].values
            
            X_norm = self.interpolation(X)
            X_list.append(X_norm)
            V_list.append(X[:, 0])
            I_list.append(X[:, 1])

        X_array = np.array(X_list)
        X_flat = X_array.reshape(X_array.shape[0], -1)
        input_path = os.path.join(self.model_dir, 'input_scaler.pkl')
        self.output_scalers = []
        for i in range(5):
            scaler_path = os.path.join(self.model_dir,f'output_scaler_{i}.pkl')
            scaler = joblib.load(scaler_path)
            self.output_scalers.append(scaler)

        self.input_scaler = joblib.load(input_path)
        # Vérifier si le scaler est fitted en vérifiant les attributs nécessaires
        if not hasattr(self.input_scaler, 'mean_') or not hasattr(self.input_scaler, 'scale_'):
            logger.warning("Le scaler chargé n'est pas fitted. Utilisation de fit_transform.")
            # Si le scaler n'est pas fitted, on utilise fit_transform
            X_scaled = self.input_scaler.fit_transform(X_flat)
        else:
            # Si le scaler est fitted, on utilise transform
            logger.info("Le scaler est correctement fitted. Utilisation de transform.")
            X_scaled = self.input_scaler.transform(X_flat)
        return X_scaled, I_list, V_list
    
    def get_data(self):
        """
        Récupère les données prétraitées.
        
        Returns:
            tuple: (X_train, X_val, X_test, y_train, y_val, y_test)
        """
        return self.X_train, self.X_val, self.X_test, self.y_train, self.y_val, self.y_test

    def get_user_data(self):
        """
        Récupère les données prétraitées.
        
        Returns:
            tuple: (X_user, y_user)
        """
        return self.X_user, self.y_user
    
    def inverse_transform_params(self, y_scaled_list):
        """
        Inverse la normalisation des paramètres prédits.
        
        Args:
            y_scaled (numpy.ndarray): Paramètres normalisés.
            
        Returns:
            numpy.ndarray: Paramètres dans leur échelle d'origine.
        """
        y_orig_list = []
        for i, scaler in enumerate(self.output_scalers):
            y_orig = scaler.inverse_transform(y_scaled_list[i])
            if i in [3,4]:
                y_orig = 10 ** y_orig
            y_orig_list.append(y_orig)
        return np.hstack(y_orig_list)
        
    
    def reshape_for_model(self, X_flat, model_type='mlp'):
        """
        Reshape les données pour le modèle spécifié.
        
        Args:
            X_flat (numpy.ndarray): Données aplaties.
            model_type (str): Type de modèle ('mlp' ou 'cnn1d').
            
        Returns:
            numpy.ndarray: Données reshapées pour le modèle.
        """
        if model_type.lower() == 'mlp':
            return X_flat  # Pas besoin de reshape pour MLP
        elif model_type.lower() == 'cnn1d':
            # Reshape pour CNN 1D: [batch_size, sequence_length, features]
            return X_flat.reshape(X_flat.shape[0], self.n_points, 2)
        else:
            logger.warning(f"Type de modèle inconnu: {model_type}, utilisation de MLP par défaut")
            return X_flat
    
    def visualize_sample(self, index=0, dataset='train'):
        """
        Visualise un échantillon des données.
        
        Args:
            index (int): Index de l'échantillon à visualiser.
            dataset (str): Ensemble de données ('train', 'val', ou 'test').
        """
        if dataset == 'train':
            X, y = self.X_train, self.y_train
        elif dataset == 'val':
            X, y = self.X_val, self.y_val
        elif dataset == 'test':
            X, y = self.X_test, self.y_test
        else:
            logger.error(f"Ensemble de données inconnu: {dataset}")
            return
        
        if X is None or y is None:
            logger.error("Les données n'ont pas encore été prétraitées.")
            return
        
        if index >= len(X):
            logger.error(f"Index {index} hors limites pour l'ensemble {dataset} de taille {len(X)}")
            return
        
        # Récupérer l'échantillon
        X_sample = X[index]
        y_sample = y[index]
        
        # Inverser la normalisation
        X_orig = self.input_scaler.inverse_transform(X_sample.reshape(1, -1)).reshape(-1, 2)
        y_orig = self.inverse_transform_params(y_sample.reshape(1, -1))[0]
        
        # Tracer la courbe I-V
        plt.figure(figsize=(10, 6))
        plt.plot(X_orig[:, 0], X_orig[:, 1], 'o-', label='Courbe I-V')
        plt.xlabel('Tension (V)')
        plt.ylabel('Courant (I)')
        plt.title('Courbe I-V')
        plt.grid(True)
        plt.legend()
        
        # Afficher les paramètres
        param_names = ['Rsh', 'Rs', 'n', 'J0', 'Jph']
        param_values = [f"{param}: {value:.4e}" for param, value in zip(param_names, y_orig)]
        param_text = '\n'.join(param_values)
        plt.figtext(0.02, 0.02, param_text, fontsize=10, bbox=dict(facecolor='white', alpha=0.8))
        
        plt.tight_layout()
        plt.show()