WPP2012
1.0.0
A atual estrutura de energia global está se transformando da energia fóssil tradicional em energia renovável. Atualmente, um terço da geração de energia do mundo vem da energia renovável, e a energia eólica é a principal força motriz para a transformação da energia renovável. Nos últimos anos, a geração de energia eólica cresceu rapidamente, com uma taxa média anual de crescimento de 10% e representando cerca de 24% da energia renovável. Todas as turbinas eólicas instaladas até o final de 2018 podem cobrir quase 6% da demanda global de eletricidade. Espera -se que haja mais crescimento de energia eólica nos próximos anos.
A previsão precisa da energia eólica é essencial para a operação de grade inteligente. Isso projeta algoritmos de aprendizado de máquina para previsão de geração de energia eólica a curto prazo.
O conjunto de dados vem do Global Energy Forcasting Competition 2012 (Gefcom2012)
É recomendável obter a descrição da plataforma Kaggle
Este é um problema de previsão de energia eólica para prever a geração horária de energia até 48 horas à frente em 7 parques eólicos.
O período entre 2009/7/1 e 2010/12/12/31 é um período de identificação e treinamento do modelo, enquanto o restante do conjunto de dados, ou seja, de 2011/1/1 a 2012/6/28, está lá para a avaliação.
Observe que, para ser consistente, apenas as previsões meteorológicas para esse período que realmente estariam disponíveis na prática são fornecidas. Esses dois períodos se repetem a cada 7 dias até o final do conjunto de dados. Entre os períodos com dados ausentes, as observações de energia estão disponíveis para atualizar os modelos.
"Train.csv" contém os dados de treinamento:
A primeira coluna ("Data") é uma data e hora de entrega de data e hora das medições de energia eólica por hora nas seguintes colunas. Por exemplo, "2009070812" é para o dia 8 de julho de 2009 às 12:00;
As 4 colunas a seguir ("U", "V", "WS" e "WD") são as variáveis das previsões climáticas,
O arquivo "benchmark.csv" fornece os resultados da forca
obra de última geração
| Métodos | 48h à frente |
|---|---|
| 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 |
| Persistência | 0,361 |
Há Majoly duas partes em nosso trabalho.
Esta parte é completa descrita na seção modelo
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. Previsão de energia eólica usando o algoritmo dos vizinhos mais antigos de K. Int J Previsão. 2014; 30: 402-406.
Silva L. Uma abordagem de engenharia de recursos para previsão de energia eólica: Gefcom 2012. Int J Previsão. 2014; 30: 395-401.
Fang S, Chiang H. Um modelo de previsão de energia eólica de alta precisão. IEEE T POWER SYST. 2016; 32: 1589-1590.
Wytock M, Kolter JZ, "Previsão probabilística em larga escala em sistemas de energia usando campos aleatórios condicionais gaussianos esparsos", na 52ª Conferência IEEE sobre Decisão e Controle, (IEEE, 2013), pp. 1019-1024.
Li G, Chiang H. Em direção à previsão orientada a custos da geração de energia eólica. IEEE t grade inteligente. 2016; 9: 2508-2517.
Yan J, Zhang H, Liu Y, Han S, Li L, Lu Z. Prevendo a alta penetração da energia eólica em várias escalas usando o mapeamento multi-multi-multi. IEEE T POWER SYST. 2018; 33: 3276-3284.
Fang S, Chiang H. Melhorando modelos de previsão de energia eólica supervisionados usando variáveis climáticas numéricas estendidas e dados não marcados. IET renovar poder gen. 2016; 10: 1616-1624.
Lee D, Baldick R. Predição de conjunto de energia eólica de curto prazo com base em processos gaussianos e redes neurais. IEEE t grade inteligente. 2013; 5: 501-510.
Landry M, Erlinger TP, Patschke D, Varrichio C. Máquinas de reforço de gradiente probabilístico para a previsão do vento do Gefcom2014. Int J Previsão. 2016; 32: 1061-1066.
