UTL000008_WTG_Ensimag

Vorhersage der Windturbinenausgabe (Bildquelle: https://lumifyifenergy.com)

Explorationsdatenanalyse und Modellierung des Ausgangs von Windkraftanerzernern

Das Projekt umfasste eine explorative Datenanalyse und Bewertung von Regressionen und Algorithmen für maschinelles Lernen unter Verwendung von Python Sci-Kit Learn-Tools. Die Modelle wurden ausgebildet und getestet und Metriken wurden verglichen, um zu einem endgültigen Modell zu gelangen.

Objektiv:

Ziel des Projekts war es, ein Vorhersagemodell für die Ausgabe von Windkraftanlagen zu erstellen.

Datensatzquelle: https://www.kaggle.com/competitions/ensimag-mmis-2024/data

Dateninhalt:

• Datum: Selbsterklärend.
• U10: Prognose Zonale Windgeschwindigkeit (m/s) bei 10 m über dem Boden.
• V10: Prognose meridionale Windgeschwindigkeit (m/s) bei 10 m über dem Boden.
• U100: Prognose Zonale Windgeschwindigkeit (m/s) bei 100 m über dem Boden.
• V100: Prognose meridionaler Windgeschwindigkeit (m/s) bei 100 m über dem Boden.
• Produktion: stündlich mittlere Windkraft, normalisiert durch die maximale Leistung des Windparks.

Autoren

• @wlouer

Anerkennung

• Der Datensatz wurde für einen Kaggle-Wettbewerb https://www.kaggle.com/competitions/ensimag-mmis-2024/Data gestrichen

Über mich

Ich bin Bill - ein Fachmann der Energieindustrie mit mehr als 20 Jahren Erfahrung in der Stromerzeugung. Mein Hintergrund als Maschinenbauingenieur führte zu mir eine Rolle als Projektmanager, bei der ich die Entwicklung und Ausführung von Stromerzeugungsprojekten leitete. Heutzutage tauche ich in Data Science, Visualisierung und maschinelles Lernen ein, um es als Instrument zur Aufdeckung von Erkenntnissen und zur Verbesserung der Entscheidungsfindung der Entscheidungen in der Entwicklung, des Designs, der Beschaffung, der Konstruktion und des Betriebs zu verbessern.