WPP2012
1.0.0
Нынешняя глобальная энергетическая структура превращается из традиционной энергии ископаемых в возобновляемую энергию. В настоящее время треть генерации энергии мира происходит от возобновляемой энергии, а энергия ветра является основной движущей силой трансформации возобновляемых источников энергии. В последние годы ветроэнергетическая выработка быстро выросла, с среднегодовым темпом роста на 10% и составляет около 24% возобновляемых источников энергии. Все ветряные турбины, установленные к концу 2018 года, могут охватить почти 6% глобального спроса на электроэнергию. Ожидается, что в ближайшие несколько лет будет больше роста энергии ветра.
Точное прогнозирование энергии ветра необходимо для интеллектуальной сетки. Этот проект изучает алгоритмы машинного обучения для краткосрочного прогнозирования выработки энергии ветра.
Набор данных поступает из Global Energy Forcasting Contarge 2012 (GEFCOM2012)
Это рекомендуется получить описание с платформы Kaggle
Это проблема прогнозирования ветра для прогнозирования почасовой выработки электроэнергии до 48 часов вперед на 7 ветровых фермах.
Период между 2009/7/1/1 и 2010/12/31 является модельным идентификацией и периодом обучения, в то время как оставшаяся часть набора данных, то есть с 2011/1/1/1/1-201.6/28, существует для оценки.
Обратите внимание, что для того, чтобы быть последовательным, даны только метеорологические прогнозы за этот период, которые фактически были бы доступны на практике. Эти два периода затем повторяются каждые 7 дней до конца набора данных. Между периодами с отсутствующими данными, мощные наблюдения доступны для обновления моделей.
"train.csv" содержит данные обучения:
Первый столбец («Дата») - это временная метка дата и времени почасовых измерений энергии ветра в следующих столбцах. Например, «2009070812» на 8 июля 2009 года в 12:00;
Следующие 4 столбца («U», «V», «WS» и «WD») являются переменными прогноза погоды,
Файл "bender.csv" дает результаты форма
Состояние художественного произведения
| Методы | 48H впереди |
|---|---|
| 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 |
| Упорство | 0,361 |
В нашей работе участвуют две части.
Эта часть полностью описана в разделе модели
Net_model = NN_Net ( params , x_train )
scores = Net_model . train ( x_train , y_train , x_test , y_test , 'wsPower2' , load_models = False )Мангалова Е., Агафонов Э. Прогнозирование энергии ветра с использованием алгоритма K-ближайших соседей. Int J Прогнозирование. 2014; 30: 402-406.
Silva L. Функциональный инженерный подход к прогнозированию энергии ветра: GEFCOM 2012. Int J Прогнозирование. 2014; 30: 395-401.
Fang S, Chiang H. Модель прогнозирования энергии ветра с высокой точностью. IEEE T Power Syst. 2016; 32: 1589-1590.
Wytock M, Kolter JZ, «Масштабное вероятностное прогнозирование в энергетических системах с использованием разреженных гауссовских условных случайных полей», на 52-й конференции IEEE по решению и контролю, (IEEE, 2013), с. 1019-1024.
Li G, Chiang H. На пути к экономическому прогнозированию энергии ветра. IEEE T Smart Grid. 2016; 9: 2508-2517.
Yan J, Zhang H, Liu Y, Han S, Li L, Lu Z. Прогнозирование высокого проникновения мощности ветра на нескольких масштабах с использованием мульти-мульти-картирования. IEEE T Power Syst. 2018; 33: 3276-3284.
Fang S, Chiang H. Улучшение моделей прогнозирования ветровой энергии с надзором с использованием расширенных численных погодных переменных и немыслированных данных. IET обновление Power Gen. 2016; 10: 1616-1624.
Ли Д., Баллик Р. Краткосрочное предсказание ансамбля ветроэнергетики на основе гауссовых процессов и нейронных сетей. IEEE T Smart Grid. 2013; 5: 501-510.
Ландри М., Эрлингер Т.П., Пашке Д., Варричио С. Вероятностные машины повышения градиента для прогнозирования ветра GEFCOM2014. Int J Прогнозирование. 2016; 32: 1061-1066.
