الصفحة الرئيسية>المتعلقة بالبرمجة>باور بيلدر
تنزيل

WPP2012

خلفية

يتحول هيكل الطاقة العالمي الحالي من الطاقة الأحفورية التقليدية إلى الطاقة المتجددة. في الوقت الحاضر ، يأتي ثلث توليد الطاقة في العالم من الطاقة المتجددة ، وطاقة الرياح هي القوة الدافعة الرئيسية لتحويل الطاقة المتجددة. في السنوات الأخيرة ، نما توليد طاقة الرياح بسرعة ، بمتوسط معدل نمو سنوي قدره 10 ٪ ويحقق حوالي 24 ٪ من الطاقة المتجددة. يمكن أن تغطي جميع توربينات الرياح التي تم تثبيتها بحلول نهاية عام 2018 ما يقرب من 6 ٪ من الطلب على الكهرباء العالمية. من المتوقع أن يكون هناك المزيد من نمو طاقة الرياح في السنوات القليلة المقبلة.

يعد التنبؤ الدقيق للطاقة في الرياح ضروريًا لتشغيل الشبكة الذكية. هذه المشاريع تدرس خوارزميات التعلم الآلي للتنبؤ بتوليد طاقة الرياح على المدى القصير.

وصف مجموعة البيانات

تأتي مجموعة البيانات من مسابقة Global Energy Forcasting 2012 (GEFCOM2012)

من المستحسن الحصول على الوصف من منصة Kaggle

هذه مشكلة في التنبؤ بالطاقة الريفية للتنبؤ بتوليد الطاقة بالساعة حتى 48 ساعة في 7 مزارع للرياح.

الفترة ما بين 2009/7/1 و 2010/12/31 هي فترة تحديد النموذج والتدريب ، في حين أن ما تبقى من مجموعة البيانات ، أي من 2011/1/12/6/28 ، موجود للتقييم.

لاحظ أنه لكي تكون متسقة ، يتم تقديم توقعات الأرصاد الجوية لتلك الفترة التي ستكون متاحة بالفعل في الممارسة العملية. ثم تتكرر هاتين الفترتين كل 7 أيام حتى نهاية مجموعة البيانات. بين الفترات مع البيانات المفقودة ، تتوفر ملاحظات الطاقة لتحديث النماذج.

  • يحتوي "Train.csv" على بيانات التدريب:

  • العمود الأول ("التاريخ") هو تاريخ ووقت قياسات طاقة الرياح بالساعة في الأعمدة التالية. على سبيل المثال "2009070812" هو 8 يوليو 2009 في الساعة 12:00 ؛

  • الأعمدة الأربعة التالية ("U" و "V" و "WS" و "WD") هي متغيرات توقعات الطقس ،

  • يوفر ملف "charmark.csv" نتائج Forcast

العمل الأخير

العمل الفني

طُرق 48H في المقدمة
All-CF [3] 0.14564
GBM + K-Means + LR [2] 0.14567
KNN [1] 0.1472
SGCRF [4] 0.1488
LSBRT [5] 0.1518
SDAE-MM [6] 0.154
S-GP-ENV [7] 0.1604
GP + NN [8] 0.1752
الثبات 0.361

وصف المشروع

هناك ماجولي جزءين في عملنا.

  • LightgBM المستخدم لتحليل الانحدار

هذا الجزء موضح بالكامل في قسم النموذج

  • الانحدار LSTM لمدة 48 ساعة في المستقبل

LightGBM الانحدار لطاقة الرياح

نموذج Hyprid LSTM للتنبؤ بالطاقة الرياح

K-Means معالجة
ميزة الهندسة 
    Net_model = NN_Net ( params , x_train )
    scores = Net_model . train ( x_train , y_train , x_test , y_test , 'wsPower2' , load_models = False )

قيود physical

مرجع

  1. Mangalova E ، Agafonov E. التنبؤ بالطاقة الرياح باستخدام خوارزمية الجيران K-nearest. التنبؤ in j. 2014 ؛ 30: 402-406.

  2. Silva L. طريقة هندسية ميزة للتنبؤ بالطاقة الرياح: Gefcom 2012. 2014 ؛ 30: 395-401.

  3. Fang S ، Chiang H. نموذج تنبؤ بالطاقة الرياح عالية الدقة. IEEE T SYST. 2016 ؛ 32: 1589-1590.

  4. Wytock M ، Kolter JZ ، "التنبؤ الاحتمالي على نطاق واسع في أنظمة الطاقة باستخدام حقول عشوائية غاوسية متفرقة" ، في مؤتمر 52ND IEEE حول القرار والسيطرة ، (IEEE ، 2013) ، الصفحات 1019-1024.

  5. Li G ، Chiang H. نحو التنبؤ الموجه نحو التكلفة لتوليد طاقة الرياح. IEEE T SMART GRID. 2016 ؛ 9: 2508-2517.

  6. Yan J ، Zhang H ، Liu Y ، Han S ، Li L ، Lu Z. التنبؤ بالاختراق العالي لطاقة الرياح على مقاييس متعددة باستخدام رسم الخرائط متعددة إلى multi. IEEE T SYST. 2018 ؛ 33: 3276-3284.

  7. Fang S ، Chiang H. تحسين نماذج التنبؤ بالطاقة الريفية الخاضعة للإشراف باستخدام متغيرات الطقس العددية الموسعة والبيانات غير المسبقة. IET Renew Power Gen. 2016 ؛ 10: 1616-1624.

  8. Lee D ، Baldick R. التنبؤ بسلطة الرياح قصيرة الأجل على أساس العمليات الغوسية والشبكات العصبية. IEEE T SMART GRID. 2013 ؛ 5: 501-510.

  9. Landry M ، Erlinger TP ، Patschke D ، Varrichio C. التنبؤ in j. 2016 ؛ 32: 1061-1066.

يوسع
معلومات إضافية
تطبيقات ذات صلة
نوصي لك
أخبار ذات صلة الكل