WPP2012
1.0.0
Struktur energi global saat ini berubah dari energi fosil tradisional menjadi energi terbarukan. Saat ini, sepertiga dari pembangkit listrik dunia berasal dari energi terbarukan, dan energi angin adalah kekuatan pendorong utama untuk transformasi energi terbarukan. Dalam beberapa tahun terakhir, pembangkit listrik tenaga angin telah berkembang pesat, dengan tingkat pertumbuhan tahunan rata -rata 10% dan menyumbang sekitar 24% dari energi terbarukan. Semua turbin angin yang dipasang pada akhir 2018 dapat mencakup hampir 6% dari permintaan listrik global. Diharapkan bahwa akan ada lebih banyak pertumbuhan energi angin dalam beberapa tahun ke depan.
Peramalan energi angin yang akurat sangat penting untuk operasi jaringan pintar. Proyek ini mempelajari algoritma pembelajaran mesin untuk prediksi pembangkit listrik tenaga angin jangka pendek.
Dataset berasal dari Global Energy Forcasting Competition 2012 (GEFCOM2012)
Itu merekomendasikan untuk mendapatkan deskripsi dari platform kaggle
Ini adalah masalah peramalan tenaga angin untuk memprediksi pembangkit listrik per jam hingga 48 jam di depan di 7 ladang angin.
Periode antara 2009/7/1 dan 2010/12/31 adalah identifikasi model dan periode pelatihan, sedangkan sisa dataset, yaitu, dari 2011/1/1 hingga 2012/6/28, ada untuk evaluasi.
Perhatikan bahwa untuk menjadi konsisten, hanya perkiraan meteorologis untuk periode yang benar -benar akan tersedia dalam praktik yang diberikan. Dua periode ini kemudian diulang setiap 7 hari hingga akhir dataset. Di antara periode dengan data yang hilang, pengamatan daya tersedia untuk memperbarui model.
"Train.csv" berisi data pelatihan:
Kolom pertama ("Tanggal") adalah stempel waktu dan waktu pengukuran tenaga angin per jam di kolom berikut. Misalnya "2009070812" adalah untuk 8 Juli 2009 pukul 12:00;
4 kolom berikut ("U", "V", "WS" dan "WD") adalah variabel ramalan cuaca,
File "Benchmark.csv" memberikan hasil Forcast
Karya Seni
| Metode | 48H di depan |
|---|---|
| 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 |
| Kegigihan | 0.361 |
Ada dua bagian yang majoly dalam pekerjaan kami.
Bagian ini dijelaskan penuh di bagian model
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. Peramalan tenaga angin menggunakan algoritma tetangga K-Nearest. Int J Peramalan. 2014; 30: 402-406.
Silva L. Pendekatan rekayasa fitur untuk peramalan tenaga angin: GEFCOM 2012. Int J Forecasting. 2014; 30: 395-401.
Fang S, Chiang H. Model peramalan tenaga angin akurasi tinggi. IEEE T Power Syst. 2016; 32: 1589-1590.
Wytock M, Kolter JZ, "Peramalan probabilistik skala besar dalam sistem energi menggunakan bidang acak bersyarat Gaussian yang jarang," dalam konferensi IEEE ke-52 tentang keputusan dan kontrol, (IEEE, 2013), hlm. 1019-1024.
Li G, Chiang H. Menuju peramalan berorientasi biaya pembangkit listrik tenaga angin. IEEE T Smart Grid. 2016; 9: 2508-2517.
Yan J, Zhang H, Liu Y, Han S, Li L, Lu Z. Meramalkan penetrasi tenaga angin yang tinggi pada beberapa skala menggunakan pemetaan multi-ke-multi. IEEE T Power Syst. 2018; 33: 3276-3284.
Fang S, Chiang H. Meningkatkan model peramalan tenaga angin yang diawasi menggunakan variabel cuaca numerik yang diperluas dan data yang tidak berlabel. IET Renew Power Gen. 2016; 10: 1616-1624.
Lee D, Baldick R. Prediksi ensemble tenaga angin jangka pendek berdasarkan proses Gaussian dan jaringan saraf. IEEE T Smart Grid. 2013; 5: 501-510.
Landry M, Erlinger TP, Patschke D, Varrichio C. Mesin penambah gradien probabilistik untuk peramalan angin GEFCOM2014. Int J Peramalan. 2016; 32: 1061-1066.
