Python|使用深度神经网络的 K-Means 聚类进行短期风电预测

Python|使用深度神经网络的 K-Means 聚类进行短期风电预测

目录

​​1 引言​​

​​2 问题描述​​

​​3 目的​​

​​4 重要性​​

​​5 创新点​​

​​6 Python代码​​

​​7 结果​​

1 引言

可再生能源的开发利用一直是世界上最热门的热点之一。风力发电由于清洁和广泛的可用性，正迅速向大规模产业发展，并具有波动性和间歇性电力的特点。准确可靠的风电预测方法对于电能质量、可靠性管理以及降低旋转备用供电成本至关重要.

2 问题描述

风能预测对应于对近期一个或多个风力涡轮机的预期产量的估计。在电网中，任何时候都必须在用电量和发电量之间保持平衡——否则可能会出现电能质量或供应的干扰。风力发电是风速的直接函数，与传统发电系统相比，风力发电不易调度。因此，风力发电的波动受到了极大的关注。

3 目的

一种风电功率预测数据挖掘方法，由K-means聚类方法和bagging神经网络组成。根据气象条件和历史功率对历史数据进行聚类。皮尔逊相关系数用于计算预测日与聚类之间的距离。

4 重要性

风电功率预测（WPF）对于有效指导电网调度和风电场生产规划具有重要意义。风的间歇性和波动性导致训练样本的多样性对预测精度有重大影响。由于必须保持消耗和发电之间的平衡，因此风力发电的波动是一个非常重要的研究领域。

5 创新点

为了处理训练样本的动态并提高预测精度，提出了一种针对短期WPF的由MinMax归一化、K-means聚类和深度神经网络组成的数据挖掘方法。基于历史天数之间的相似性，K-means聚类用于通过取各个聚类的质心来减少数据集。此外，当给定参数的标准化值时，这个简化的数据集用于预测未来产生的功率。

6 Python代码

本文仅展现部分代码，全部代码点​

import numpy as npfrom sklearn.metrics import mean_squared_errorimport matplotlib.pyplot as pltimport pandas as pdimport datetime as dtimport matplotlib.dates as mdatesdef str_to_datetime(date): return dt.datetime.strptime(date, '%Y-%m-%d %H:%M:%S')def main(): df = pd.read_csv('Processed_data/wp7.csv', names=['dates', 'ws-2', 'ws-1', 'ws', 'ws+1', 'wd-2', 'wd-1', 'wd', 'wd+1', 'hour_from_06', 'week', 'mounth', 'production'], sep=',', skiprows=1) real_production = df.production[48:] real_production.index = np.arange(len(real_production)) M = len(real_production) predicted_production = df.production[:M] df['dates'] = df['dates'].apply(str_to_datetime) xDates = df.dates.iloc[0:M] realFrame = pd.DataFrame({"Dates": xDates, "Real": real_production}) predFrame = pd.DataFrame({"Dates": xDates, "Prediction": predicted_production}) print("MSE: ", mean_squared_error(realFrame.Real, predFrame.Prediction)) fig, ax = plt.subplots() ax.plot(realFrame["Dates"], realFrame["Real"]) ax.plot(predFrame["Dates"], predFrame["Prediction"]) ax.xaxis.set_major_formatter(mdates.DateFormatter('%m.%Y')) plt.show()if __name__ == '__main__': main()

7 结果

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。