处理数据集

本文使用的是某风场采集的风电功率，其他同学可以参考类似的时间序列数据集。本文假设读者已会载入数据并进行数据预处理，例如归一化等操作。

def creat_data(data,lookback,step):timeX,featureX1,featureX2,featureX3,dataY = [],[],[],[],[]for i in range(len(data) - lookback-step ):timeX.append(data[i:(i + lookback),[0]])featureX1.append(data[i:(i + lookback), [1]])featureX2.append(data[i:(i + lookback), [2]])featureX3.append(data[i:(i + lookback), [3]])dataY.append(data[i + lookback+step-1,[0]])return np.array(timeX),np.array(featureX1),np.array(featureX2),np.array(featureX3), np.array(dataY)
X_train_time,X_train_feature1,X_train_feature2,X_train_feature3,Y_train=creat_data(dataset[:5730],120,1)
X_test_time,X_test_feature1,X_test_feature2,X_test_feature3,Y_test=creat_data(dataset[5730:7000],120,1)

上述为构建的数据集的函数，其中X_train_time为时间序列的训练集，X_train_feature1,X_train_feature2,X_train_feature3为涉及到的三个特征（同样具有时间性），分别为叶轮转速、环境风速、风向（也可以添加更多特征），Y_train为需要预测的那个值，这里指功率。

搭建时间序列网络

这里使用最常用的LSTM网络，将各个特征及时间序列特征融合输入到网络中。其中的LSTM层可以自行调节参数，也可自行增减层数。

from keras.models import Sequential,Model
from keras.layers import Dense
from keras.layers.recurrent import LSTM
from keras import Input,layers
model = Sequential()
# 调整输入的维度，LSTM的输入维度应为3维，即（样本个数，步长，几类特征）
input_time=Input(shape=(None,X_train_time.shape[-1]))
input_time=layers.LSTM(12,return_sequences=True,activation='relu')(input_time)
input_feature1=Input(shape=(None,X_train_feature1.shape[-1]))
input_feature2=Input(shape=(None,X_train_feature2.shape[-1]))
input_feature3=Input(shape=(None,X_train_feature3.shape[-1]))
x_feature1=layers.LSTM(12,return_sequences=True,activation='relu')(input_feature1)
x_feature2=layers.LSTM(12,return_sequences=True,activation='relu')(input_feature2)
x_feature3=layers.LSTM(12,return_sequences=True,activation='relu')(input_feature3)
output1=layers.LSTM(4)([X_train_time,x_feature1,x_feature2,x_feature3])
output=layers.Dense(1)(output1)model=Model([X_train_time,x_feature1,x_feature2,x_feature3],output)
model.compile(loss='mae', optimizer='adam')
history =model.fit([X_train_time,X_train_feature1,X_train_feature2,X_train_feature3],Y_train,steps_per_epoch=300,epochs=10,validation_data=([X_test_time,X_test_feature1,X_test_feature2,X_test_feature3],Y_test),validation_steps=(3100-2880-120))

通过迭代图像判断是否存在过拟合或者欠拟合，以便进行调整。

loss = history.history['loss']
val_loss = history.history['val_loss']
plt.plot(loss, label='Train Loss')
plt.plot(val_loss, label='Validation Loss')
plt.legend(loc='upper right')
plt.title('Train and Val Loss')
plt.show()

计算误差

计算预测值与真实值之间的误差，此处采用MAE及RMSE。

trainPredict = model.predict([X_train_time,x_feature1,x_feature2,x_feature3])
testPredict=model.predict([X_test_time,X_test_feature1,X_test_feature2,X_test_feature3])
from math import sqrt
from sklearn.metrics import mean_squared_error,mean_absolute_error
err1 = mean_absolute_error(testPredict,Y_test)
err2 = sqrt(mean_squared_error(testPredict,Y_test))
print('mae', err1)
print('rmse',err2)

时间及特征融合进行风功率预测相关推荐

基于深度神经网络的风电场超短期功率预测系统【数据故事计划最佳学术奖】...
摘要:细听学长学姐讲故事,或许在他们的路上也有你的身影! [第一届数据故事计划] "数据故事计划"旨在收集各类有关大数据的故事然后进行比赛及相关的宣传和推广.包括同学们接触大数据. ...
风电功率预测_复杂地形风电场的风功率预测技术研究
点击蓝字关注我们随着全球能源高速增长,气候变化和生态环境问题日益突出,风能作为一种可再生能源,受到各国重视.2013年,中国新增装机容量16088.7MW,累计装机容量91412.89MW,新增装机 ...
目标检测 | 盘点目标检测中的特征融合技巧（根据YOLO v4总结）
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达特征融合分类在深度学习的很多工作中(例如目标检测.图像分割),融 ...
知识图谱-生物信息学-医学顶刊论文(Bioinformatics-2021)-MUFFIN:用于DDI预测的多尺度特征融合
2.(2021.3.15)Bioinformatics-MUFFIN:用于DDI预测的多尺度特征融合论文标题: MUFFIN: multi-scale feature fusion for drug ...
风力发电功率预测数据（两个风力发电场25台风力发电机2年发电数据，时间间隔30min，含风速、风向、外界温度等天气特征）
下载地址:风力发电功率预测数据(两个风力发电场25台风力发电机2年发电数据,时间间隔30min,含风速.风向.外界温度等天气特征)
论文翻译:《6mAPred-MSFF:基于多尺度特征融合机制预测跨物种DNA N6-甲基腺嘌呤位点的深度学习模型》
Title:6mAPred-MSFF: A Deep Learning Model for Predicting DNA N6-Methyladenine Sites across Species B ...
层与特征融合_【计算机系统应用】（第122期）感受野特征增强的 SSD 目标检测算法...
点击上方"蓝字",关注我们吧! 目标检测是计算机视觉领域的一项重要任务, 是生活中如实例分割[1] , 面部分析[2] , 汽车自动驾驶[3].视频分析[4] 等各种视觉应用的 ...
涨点神器！南航提出AFF：注意力特征融合，即插即用！可用于分类、检测和分割等...
点击下方卡片,关注"CVer"公众号 AI/CV重磅干货,第一时间送达作者:OucQxw | 已授权转载(源:知乎) https://zhuanlan.zhihu.com/p ...
DC竞赛国能日新功率预测题 rank21 解决方案（适合新手）
DataCastle国能日新光伏功率预测数据异常处本题在测试集中提供了时间.辐照度.风速.风向.温度.压强.湿度.实发辐照度 8个特征,以及标签**实际功率**. 而在训练集中只有前七个特征,无实 ...

时间及特征融合进行风功率预测

LSTM进行时间序列预测

处理数据集

搭建时间序列网络

计算误差

时间及特征融合进行风功率预测相关推荐

最新文章

热门文章