WPP2012

WPP2012

Fondo

La estructura de energía global actual se está transformando de la energía fósil tradicional a la energía renovable. En la actualidad, un tercio de la generación de energía del mundo proviene de la energía renovable, y la energía eólica es la principal fuerza impulsora para la transformación de la energía renovable. En los últimos años, la generación de energía eólica ha crecido rápidamente, con una tasa de crecimiento anual promedio del 10% y representa aproximadamente el 24% de la energía renovable. Todas las turbinas eólicas instaladas a fines de 2018 pueden cubrir casi el 6% de la demanda mundial de electricidad. Se espera que haya más crecimiento de la energía eólica en los próximos años.

El pronóstico preciso de energía eólica es esencial para la operación de la red inteligente. Este proyectos estudia algoritmos de aprendizaje automático para la predicción de generación de energía eólica a corto plazo.

Descripción del conjunto de datos

El conjunto de datos proviene de Global Energy Forcasting Competition 2012 (GEFCOM2012)

Es recomendable obtener la descripción de la plataforma Kaggle

Este es un problema de pronóstico de energía eólica para predecir la generación de energía por hora hasta 48 horas por delante en 7 parques eólicos.

El período entre 2009/7/1 y 2010/12/31 es un período de identificación y capacitación del modelo, mientras que el resto del conjunto de datos, es decir, de 2011/1/1 a 2012/6/28, está ahí para la evaluación.

Tenga en cuenta que para ser consistente, solo se dan los pronósticos meteorológicos para ese período que realmente estarían disponibles en la práctica. Estos dos períodos se repiten cada 7 días hasta el final del conjunto de datos. Entre los períodos con datos faltantes, las observaciones de energía están disponibles para actualizar los modelos.

• "Train.csv" contiene los datos de capacitación:

• La primera columna ("fecha") es una marca de tiempo que da fecha y hora de las mediciones de energía eólica por hora en las siguientes columnas. Por ejemplo, "2009070812" es para el 8 de julio de 2009 a las 12:00;

• Las siguientes 4 columnas ("U", "V", "WS" y "WD") son las variables de pronóstico del tiempo,

• El archivo "Benchmark.csv" proporciona los resultados de Forcast

Trabajo reciente

Trabajo de última generación

Métodos	48h por delante
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
Persistencia	0.361

Descripción del proyecto

Hay majoly dos en nuestro trabajo.

• LightGBM utilizado para el análisis de regresión

Esta parte se describe completa en la sección Modelo

• Regresión LSTM para 48h por delante

Regresión de energía eólica de luz de luz

Modelo LSTM Hyprid para predicción de energía eólica

Procesamiento de K-means

Ingeniería de características

    Net_model = NN_Net ( params , x_train )
    scores = Net_model . train ( x_train , y_train , x_test , y_test , 'wsPower2' , load_models = False )

Restricciones filtrantes

Referencia

1. Mangalova E, Agafonov E. Pronóstico de energía eólica utilizando el algoritmo de vecinos K-Nearsest. Int j Pronóstico. 2014; 30: 402-406.

2. Silva L. Un enfoque de ingeniería de características para el pronóstico de energía eólica: Gefcom 2012. Intj Pronóstico. 2014; 30: 395-401.

3. Fang S, Chiang H. Un modelo de pronóstico de energía eólica de alta precisión. IEEE T POWER SYST. 2016; 32: 1589-1590.

4. Wytock M, Kolter JZ, "Pronóstico probabilístico a gran escala en sistemas de energía utilizando campos aleatorios condicionales gaussianos dispersos", en la 52ª Conferencia IEEE sobre decisión y control (IEEE, 2013), pp. 1019-1024.

5. Li G, Chiang H. Hacia el pronóstico orientado a los costos de la generación de energía eólica. IEEE T Smart Grid. 2016; 9: 2508-2517.

6. Yan J, Zhang H, Liu Y, Han S, Li L, Lu Z. Pronóstico de la alta penetración de la energía eólica en múltiples escalas utilizando mapeo múltiple a múltiple. IEEE T POWER SYST. 2018; 33: 3276-3284.

7. Fang S, Chiang H. Mejora de modelos de pronóstico de energía eólica supervisada utilizando variables climáticas numéricas extendidas y datos no etiquetados. IET Renew Power Gen. 2016; 10: 1616-1624.

8. Lee D, Baldick R. Predicción del conjunto de energía eólica a corto plazo basada en procesos gaussianos y redes neuronales. IEEE T Smart Grid. 2013; 5: 501-510.

9. Landry M, Erlinger TP, Patschke D, Varrichio C. Máquinas de impulso de gradiente probabilístico para el pronóstico de viento GEFCOM2014. Int j Pronóstico. 2016; 32: 1061-1066.