WPP2012
1.0.0
當前的全球能源結構正在從傳統的化石能量轉變為可再生能源。目前，世界發電的三分之一來自可再生能源，風能是轉變可再生能源的主要驅動力。近年來，風能發電迅速增長，平均年增長率為10％，約佔可再生能源的24％。到2018年底安裝的所有風力渦輪機都可以覆蓋全球電力需求的近6％。預計未來幾年將會有更多的風能增長。
準確的風能預測對於智能電網操作至關重要。該項目研究機器學習算法，用於短期風力發電預測。
該數據集來自2012年全球能源前播比賽（GEFCOM2012）
它推薦從Kaggle平台獲取描述
這是一個風力預測的問題，可以預測7個風電場的每小時發電最多48小時。
2009/7/1至2010/12/31之間的期限是模型識別和培訓期，而數據集的其餘時間，即從2011/1/1到2012/6/28，都在那裡進行評估。
請注意，要保持一致，只給出了在實踐中實際可用的那個時期的氣象預測。然後，這兩個時期每7天重複一次直到數據集末尾。在缺少數據的時期之間，可以使用電源觀察來更新模型。
“ train.csv”包含培訓數據：
第一列（“ date”）是時間戳給出以下列中每小時風力發電的日期和時間。例如，“ 2009070812”定於2009年7月8日12:00；
以下4列（“ U”，“ V”，“ WS”和“ WD”）是天氣預報變量，
文件“ Benchmark.csv”提供了預播結果
最先進的工作
| 方法 | 提前48小時 |
|---|---|
| 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 |
| 持久性 | 0.361 |
我們的工作中有兩部分。
該部分在模型部分中進行了完整描述
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.使用K-Nearest鄰居算法預測風力。 INT J預測。 2014; 30：402-406。
Silva L.風能預測的功能工程方法：GEFCOM2012。 INTJ預測。 2014; 30：395-401。
Fang S，Chiang H.高準確的風力預測模型。 IEEE T功率系統。 2016; 32：1589-1590。
Wytock M，Kolter JZ，“使用稀疏的高斯條件隨機場在能量系統中進行的大規模概率預測”，在第52屆IEEE決策與控制會議上，（IEEE，2013年），第1019-1024頁。
Li G，Chiang H.朝著以成本為導向的風能預測。 IEEE T智能網格。 2016; 9：2508-2517。
Yan J，Zhang H，Liu Y，Han S，Li L，Lu Z.使用多到Multi映射在多個尺度上預測風能的高滲透。 IEEE T功率系統。 2018; 33：3276-3284。
Fang S，Chiang H.使用擴展的數值天氣變量和未標記的數據改進監督的風力預測模型。 IET更新Power Gen。 2016; 10：1616-1624。
Lee D，BaldickR。基於高斯過程和神經網絡的短期風能集合預測。 IEEE T智能網格。 2013; 5：501-510。
Landry M，Erlinger TP，Patschke D，VarrichioC。 GEFCOM2014風預測的概率梯度提昇機。 INT J預測。 2016; 32：1061-1066。
