WPP2012

WPP2012

พื้นหลัง

โครงสร้างพลังงานโลกในปัจจุบันเปลี่ยนจากพลังงานฟอสซิลแบบดั้งเดิมเป็นพลังงานหมุนเวียน ในปัจจุบันหนึ่งในสามของการผลิตพลังงานของโลกมาจากพลังงานหมุนเวียนและพลังงานลมเป็นแรงผลักดันหลักสำหรับการเปลี่ยนแปลงของพลังงานหมุนเวียน ในช่วงไม่กี่ปีที่ผ่านมาการผลิตพลังงานลมเติบโตอย่างรวดเร็วโดยมีอัตราการเติบโตเฉลี่ยต่อปี 10% และคิดเป็นประมาณ 24% ของพลังงานหมุนเวียน กังหันลมทั้งหมดที่ติดตั้งภายในสิ้นปี 2561 สามารถครอบคลุมเกือบ 6% ของความต้องการไฟฟ้าทั่วโลก คาดว่าจะมีการเติบโตของพลังงานลมมากขึ้นในอีกไม่กี่ปีข้างหน้า

การพยากรณ์พลังงานลมที่แม่นยำเป็นสิ่งจำเป็นสำหรับการใช้งาน Smart Grid โครงการนี้ศึกษาอัลกอริทึมการเรียนรู้ของเครื่องสำหรับการทำนายการผลิตพลังงานลมระยะสั้น

คำอธิบายชุดข้อมูล

ชุดข้อมูลมาจากการแข่งขัน Global Energy Forcasting 2012 (GEFCOM2012)

การแนะนำคำอธิบายจากแพลตฟอร์ม Kaggle

นี่เป็นปัญหาการพยากรณ์พลังงานลมในการทำนายการผลิตพลังงานรายชั่วโมงสูงสุด 48 ชั่วโมงข้างหน้าที่ 7 ฟาร์มกังหันลม

ระยะเวลาระหว่างปี 2009/7/1 ถึง 2010/12/31 เป็นตัวระบุแบบจำลองและระยะเวลาการฝึกอบรมในขณะที่ส่วนที่เหลือของชุดข้อมูลนั่นคือตั้งแต่ 2011/1/1 ถึง 2012/6/28 มีการประเมินผล

โปรดทราบว่าเพื่อให้สอดคล้องกันมีเพียงการคาดการณ์ทางอุตุนิยมวิทยาสำหรับช่วงเวลานั้นที่จะได้รับในทางปฏิบัติเท่านั้น ทั้งสองช่วงเวลานี้ทำซ้ำทุก ๆ 7 วันจนกว่าจะสิ้นสุดชุดข้อมูล ระหว่างช่วงเวลาที่มีข้อมูลที่ขาดหายไปการสังเกตพลังงานจะพร้อมใช้งานสำหรับการอัปเดตโมเดล

• "train.csv" มีข้อมูลการฝึกอบรม:

• คอลัมน์แรก ("วันที่") เป็นวันที่กำหนดเวลาและเวลาของการวัดพลังงานลมรายชั่วโมงในคอลัมน์ต่อไปนี้ ตัวอย่างเช่น "2009070812" สำหรับวันที่ 8 กรกฎาคม 2552 เวลา 12:00 น.

• 4 คอลัมน์ต่อไปนี้ ("U", "V", "WS" และ "WD") เป็นตัวแปรพยากรณ์อากาศ

• ไฟล์ "benchmark.csv" ให้ผลลัพธ์ forcast

งานล่าสุด

งานศิลปะที่ทันสมัย

วิธีการ	48H ล่วงหน้า
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
ความเพียร	0.361

คำอธิบายโครงการ

มี Majoly สองส่วนในงานของเรา

• LightGBM ใช้สำหรับการวิเคราะห์การถดถอย

ส่วนนี้อธิบายไว้เต็มในส่วนโมเดล

• การถดถอย LSTM เป็นเวลา 48 ชั่วโมงข้างหน้า

การถดถอยพลังงานลม LightGBM

แบบจำลอง Hyprid LSTM สำหรับการทำนายพลังงานลม

การประมวลผล k-means

วิศวกรรมคุณลักษณะ

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

ข้อ จำกัด phsyical

อ้างอิง

1. Mangalova E, Agafonov E. การพยากรณ์พลังงานลมโดยใช้อัลกอริทึมเพื่อนบ้าน K-Nearest การพยากรณ์ int J 2014; 30: 402-406

2. Silva L. วิธีการทางวิศวกรรมคุณลักษณะในการพยากรณ์พลังงานลม: Gefcom 2012. การพยากรณ์ Int J 2014; 30: 395-401

3. Fang S, Chiang H. รูปแบบการพยากรณ์พลังงานลมที่มีความแม่นยำสูง IEEE T POWER SYST 2016; 32: 1589-1590

4. Wytock M, Kolter JZ, "การพยากรณ์ความน่าจะเป็นขนาดใหญ่ในระบบพลังงานโดยใช้เขตข้อมูลสุ่มแบบเกาส์แบบเกาส์แบบเบาบาง" ในการประชุม IEEE 52nd เกี่ยวกับการตัดสินใจและการควบคุม (IEEE, 2013), หน้า 1019-1024

5. Li G, Chiang H. ไปสู่การพยากรณ์การผลิตพลังงานลม IEEE T SMART GRID 2016; 9: 2508-2517

6. Yan J, Zhang H, Liu Y, Han S, Li L, Lu Z. การพยากรณ์การรุกของพลังงานลมในหลายระดับโดยใช้การทำแผนที่แบบหลายต่อหลายครั้ง IEEE T POWER SYST 2018; 33: 3276-3284

7. Fang S, Chiang H. ปรับปรุงโมเดลการพยากรณ์พลังงานลมที่มีการควบคุมโดยใช้ตัวแปรสภาพอากาศที่เพิ่มขึ้นและข้อมูลที่ไม่มีป้ายกำกับ IET Renew Power Gen 2016; 10: 1616-1624

8. Lee D, Baldick R. การทำนายชุดพลังงานลมระยะสั้นตามกระบวนการเกาส์และเครือข่ายประสาท IEEE T SMART GRID 2013; 5: 501-510

9. Landry M, Erlinger TP, Patschke D, Varrichio C. เครื่องช่วยเพิ่มความน่าจะเป็นสำหรับ GEFCOM2014 การพยากรณ์ลม การพยากรณ์ int J 2016; 32: 1061-1066