WPP2012
1.0.0
Die derzeitige globale Energiestruktur verwandelt sich von der traditionellen fossilen Energie zu erneuerbaren Energien. Gegenwärtig stammt ein Drittel der weltweiten Stromerzeugung aus erneuerbaren Energien, und Windenergie ist die Hauptantriebskraft für die Transformation erneuerbarer Energien. In den letzten Jahren ist die Windenergieerzeugung rasant gewachsen, mit einer durchschnittlichen jährlichen Wachstumsrate von 10% und etwa 24% der erneuerbaren Energien. Alle bis Ende 2018 installierten Windkraftanlagen können fast 6% des weltweiten Strombedarfs abdecken. Es wird erwartet, dass es in den nächsten Jahren mehr Windenergiewachstum geben wird.
Eine genaue Windenergievorhersage ist für den Betrieb intelligenter Gitter von wesentlicher Bedeutung. Dieses Projekt untersucht Algorithmen für maschinelles Lernen zur kurzfristigen Vorhersage der Windkraft Generierung.
Der Datensatz stammt aus dem globalen Energy Ficcasting -Wettbewerb 2012 (GEFCOM2012)
Es ist empfohlen, die Beschreibung von der Kaggle -Plattform zu erhalten
Dies ist ein Problem der Windkraftprognose bei der Vorhersage der stündlichen Stromerzeugung von bis zu 48 Stunden im Voraus in 7 Windparks.
Der Zeitraum zwischen 2009/7/1 und 2010/12/31 ist eine Modellidentifizierung und ein Schulungsperiode, während der Rest des Datensatzes, dh von 2011/1/1 bis 2012/6/28, für die Bewertung vorhanden ist.
Beachten Sie, dass nur die meteorologischen Prognosen für diesen Zeitraum, der tatsächlich in der Praxis verfügbar wären, nur die meteorologischen Prognosen erhalten. Diese beiden Perioden wiederholen sich dann alle 7 Tage bis zum Ende des Datensatzes. Zwischenperioden mit fehlenden Daten stehen Leistungsbeobachtungen zur Aktualisierung der Modelle zur Verfügung.
"Train.csv" enthält die Trainingsdaten:
Die erste Spalte ("Datum") ist ein Zeitstempel, der Datum und Uhrzeit der Stundenwindleistungspflicht in folgenden Spalten angibt. Zum Beispiel ist "2009070812" für den 8. Juli 2009 um 12:00 Uhr;
Die folgenden 4 Spalten ("U", "V", "WS" und "WD") sind die Variablen der Wettervorhersage,
Die Datei "Benchmark.csv" enthält die Förderergebnisse
Kunstwerke
| Methoden | 48H voraus |
|---|---|
| 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 |
| Ausdauer | 0,361 |
Es gibt Majolen in unserer Arbeit.
Dieser Teil wird im Modellabschnitt voll beschrieben
Net_model = NN_Net ( params , x_train )
scores = Net_model . train ( x_train , y_train , x_test , y_test , 'wsPower2' , load_models = False )Mangalova E, Agafonov E. Windkraftvorhersage unter Verwendung des Algorithmus K-Nearest-Nachbarn. Int j Prognose. 2014; 30: 402-406.
Silva L. Ein Feature Engineering -Ansatz zur Windkraftprognose: GEFCOM 2012. Int J Prognose. 2014; 30: 395-401.
Fang S, Chiang H. Ein Vorhersagemodell mit hoher Genauigkeit. IEEE T Power Syst. 2016; 32: 1589-1590.
Wytock M, Kolter JZ, "groß angelegte probabilistische Prognose in Energiesystemen mit spärlichen Gaußschen bedingten Zufallsfeldern", auf der 52. IEEE-Konferenz über Entscheidungs und Kontrolle (IEEE, 2013), S. 1019-1024.
Li G, Chiang H. Auf dem Weg zur kostenorientierten Vorhersage der Windkrafterzeugung. IEEE T Smart Grid. 2016; 9: 2508-2517.
Yan J., Zhang H., Liu Y., Han S, Li L, Lu Z. Vorhersage der hohen Penetration der Windkraft in mehreren Skalen mithilfe von Multi-bis-Multi-Mapping. IEEE T Power Syst. 2018; 33: 3276-3284.
Fang S, Chiang H. Verbesserung der Vorhersagemodelle für überwachte Windkraftwerke unter Verwendung erweiterter numerischer Wettervariablen und unbeschriebenen Daten. Iet Renew Power Gen. 2016; 10: 1616-1624.
Lee D, Baldick R. Kurzzeit-Windkraft-Ensemble-Vorhersage auf der Grundlage von Gaußschen Prozessen und neuronalen Netzwerken. IEEE T Smart Grid. 2013; 5: 501-510.
Landry M, Erlinger TP, Patschke D, Varrichio C. Probabilistische Gradienten -Boosting -Maschinen für GEFCOM2014 Windvorhersage. Int j Prognose. 2016; 32: 1061-1066.
