WPP2012
1.0.0
La structure énergétique mondiale actuelle se transforme de l'énergie fossile traditionnelle aux énergies renouvelables. À l'heure actuelle, un tiers de la production d'électricité mondiale provient des énergies renouvelables, et l'énergie éolienne est le principal moteur de la transformation des énergies renouvelables. Ces dernières années, la production d'énergie éolienne a augmenté rapidement, avec un taux de croissance annuel moyen de 10% et représentant environ 24% des énergies renouvelables. Toutes les éoliennes installées d'ici la fin de 2018 peuvent couvrir près de 6% de la demande d'électricité mondiale. On s'attend à ce qu'il y ait plus de croissance de l'énergie éolienne au cours des prochaines années.
Des prévisions précises de l'énergie éolienne sont essentielles pour le fonctionnement du réseau intelligent. Ce projet étudie les algorithmes d'apprentissage automatique pour la prédiction de la production d'énergie éolienne à court terme.
L'ensemble de données provient de Global Energy Forcasting Competition 2012 (GEFCOM2012)
Il recommande pour obtenir la description de la plate-forme Kaggle
Il s'agit d'un problème de prévision de l'énergie éolienne pour prédire la production horaire jusqu'à 48 heures à l'avance dans 7 parcs éoliens.
La période entre 2009/7/1 et 2010/12/31 est une période d'identification et de formation du modèle, tandis que le reste de l'ensemble de données, c'est-à-dire de 2011/1/1 à 2012/6/28, est là pour l'évaluation.
Notez que pour être cohérent, seules les prévisions météorologiques pour cette période qui seraient réellement disponibles dans la pratique sont données. Ces deux périodes se répète ensuite tous les 7 jours jusqu'à la fin de l'ensemble de données. Entre les périodes avec des données manquantes, des observations d'alimentation sont disponibles pour mettre à jour les modèles.
"Train.csv" contient les données de formation:
La première colonne ("Date") est une date de remise de l'horodatage et l'heure des mesures horaires de l'énergie éolienne dans les colonnes suivantes. Par exemple, "2009070812" est pour le 8 juillet 2009 à 12h00;
Les 4 colonnes suivantes ("u", "v", "ws" et "wd") sont les variables des prévisions météorologiques,
Le fichier "benchmark.csv" fournit les résultats forcés
travail de pointe
| Méthodes | 48h à l'avance |
|---|---|
| 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 |
| Persistance | 0,361 |
Il y a un Majoly en deux parties de notre travail.
Cette partie est complète décrite dans la section du modèle
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. Prévision de l'énergie éolienne à l'aide de l'algorithme K-Dearest Neighbors. INT J Prévisions. 2014; 30: 402-406.
Silva L. Une approche d'ingénierie des caractéristiques de la prévision de l'énergie éolienne: GEFCOM 2012. Int J Prévision. 2014; 30: 395-401.
Fang S, Chiang H. Un modèle de prévision de l'énergie éolienne à haute précision. IEEE T Power Syst. 2016; 32: 1589-1590.
Wytock M, Kolter JZ, «Prévision probabiliste à grande échelle dans les systèmes énergétiques à l'aide de champs aléatoires conditionnels gaussiens clairsemés», dans la 52e conférence IEEE sur la décision et le contrôle (IEEE, 2013), pp. 1019-1024.
Li G, Chiang H. Vers la prévision des coûts de production d'énergie éolienne. IEEE T Grille intelligente. 2016; 9: 2508-2517.
Yan J, Zhang H, Liu Y, Han S, Li L, Lu Z. Prévoyant la forte pénétration de l'énergie éolienne à plusieurs échelles en utilisant la cartographie multi-à-multi-multi-culture. IEEE T Power Syst. 2018; 33: 3276-3284.
Fang S, Chiang H. Amélioration des modèles de prévision de l'énergie éolienne supervisés utilisant des variables météorologiques numériques étendues et des données non marquées. IET renouveler la puissance génétique. 2016; 10: 1616-1624.
Lee D, Baldick R. Prédiction d'ensemble d'énergie éolienne à court terme basée sur les processus gaussiens et les réseaux de neurones. IEEE T Grille intelligente. 2013; 5: 501-510.
Landry M, Erlinger TP, Patschke D, Varrichio C. Machines de renforcement du gradient probabiliste pour la prévision du vent GEFCOM2014. INT J Prévisions. 2016; 32: 1061-1066.
