Wangzf's Doc
note 2023-05-13 Timeseries

风力涡轮机有功功率预测比赛观摩

风力发电机功率预测问题

任务定义

2022 年 kdd cup 提供了龙源电力集团有限公司独特的空间动态风力预测数据集：SDWPF， 其中包括：风力涡轮机的空间分布，以及时间、天气和涡轮机内部状态等动态背景因素。 预测目标是 134 个风机各自在未来 288 个时刻(共 2 天)下的输出功率

需要在 48 小时之前解决空间动态风力发电预测问题。例如，在今天上午 06:00:00 给出， 根据风电场和相关风力涡轮机的一系列历史记录，需要有效地预测从上午 06:00 到后天上午 05:50 的风力发电。 需要每10 分钟输出一次预测值。具体而言，在一个时间点，需要预测未来的长度 288（48 小时 * 60 分钟 / 10 分钟）风力发电时间序列

风力发电机简介

风力涡轮机结构：

img

风力涡轮机结构组件：

  • Tower
    • yaw motor
    • yaw driver：
  • Rotor
    • wind direction
    • blades
    • pitch
  • Nacelle
    • brake
    • lowe-speed shaft
    • gear box
    • generator
    • high-speed shaft
    • controller
    • anemometer
    • wind vane

数据概况

  • SDWPF：龙源电力集团有限公司独特的空间动态风力预测数据集

  • SDWFP 数据概况信息：

    Days Interval Num of columns Num of turbines Num of records
    245 10 minutes 13 134 4,727,520

  • SDWPF 特征信息：

    img

    • 预测特征：
      • 风力涡轮机编号
      • 日期时间
        • 日期
        • 时间
      • 风速计记录的风速，m/s
      • 风向与涡轮机舱位置的角度，°
      • 周边环境的温度，℃
      • 涡轮机内部状态
        • 涡轮机舱内部温度，℃
        • 1# 桨距角，°
        • 2# 桨距角，°
        • 3# 桨距角，°
      • 无功功率，kW
      • #TODO 风力涡轮机的空间分布（相对位置）：用于建模风力涡轮机之间的空间相关性
    • 预测目标：
      • 有功功率，kW

  • 在数据使用时，要注意：

    1. 零值：有一些有功功率和无功功率小于零。我们会将小于 0 的所有值视为 0
    2. 缺失值：由于某些原因，某些时间的某些值不是从 SCADA 系统收集的。这些缺失值将不用于评估模型。 例如：如果 $p_{t_{0} + j}$ 是缺失值，则我们会设 $|p_{t_{0}+j} - \hat{p}_{t_{0}+j}| = 0$，而不管预测值是多少
    3. 未知值：在某些时候，风力涡轮机由于外部原因而停止发电，例如风力涡轮机翻新和/或主动调度动力以避免电网过载。 在这些情况下，风力涡轮机的实际发电功率是未知的。这些未知值也将不用于评估模型。与缺失值类似，忽略它们。 任意满足以下两种情况之一，便能判断出目标变量(Patv)是未知的：
      • 如果时间 $t$ 下， $Patv \leq 0$ kW 且 $Wspd>2.5$ m/s
      • 如果时间 $t$ 下，$Pab1>89°$ 或 $Pab2>89°$ 或 $Pab3>89°$
    4. 异常值：当某样本数据存在异常记录时，不用它于评估模型，即我们会设 $|p_{t_{0}+j} - \hat{p}_{t_{0}+j}| = 0$，判断异常值的规则有两种：
      • Ndir 的合理范围是 $[-720°,720°]$，因为涡轮机系统允许机舱在一个方向上最多旋转两轮， 否则将强制机舱返回原始位置。因此，超出范围的记录可以看作是记录系统引起的异常值
      • Wdir 的合理范围是 $[-180°, 180°]$。超出此范围的记录可以看作是记录系统引起的异常值
    5. 未来的气象数据(风速、温度等)都未知，且我们不能使用外部数据。除了发布数据外，组织方仍然私下持有几个月的数据来评估参与者提交的模型

评价指标

在这个任务中，用 RMSE(均方根误差)和 MAE(平均绝对误差) 的平均值评估每个风力涡轮机的预测结果，然后将预测分数相加作为模型的最终分数

在时间 $t_{0}$ 下，假设真实的风力涡轮发电机的有功功率时间序列为：

$$P = \{P_{t_{0} + 1}, P_{t_{0} + 2}, \ldots, P_{t_{0} + 288}\}$$

假设预测的风力涡轮机发电有功功率时间序列为：

$$P = \{\hat{P}_{t_{0} + 1}, \hat{P}_{t_{0} + 2}, \ldots, \hat{P}_{t_{0} + 288}\}$$

则 $s_{t_{0}}^{i}$ 定义为风力涡轮机 $i$ 在时间 $t_{0}$ 的评估分数：

$$s_{t_{0}}^{i} = \frac{1}{2}(RMSE + MAE)$$

其中：

$$RMSE = \sqrt{\frac{1}{288} \sum_{j=1}^{288}(P_{t_{0}+j}^{i} - \hat{P}_{t_{0}+j}^{i})^{2}}$$

$$MAE = \frac{1}{288} \sum_{j=1}^{288}|P_{t_{0}+j}^{i} - \hat{P}_{t_{0}+j}^{i}|$$

则总分 $S_{t_{0}}$ 是所有风力涡轮机的预测分数之和，即：

$$S_{t_{0}} = \sum_{i=1}^{134}s_{t_{0}}^{i}$$

在预测时：

  • 滑动窗口步长为 $\Delta t$
  • 窗口大小为 $L_{x} + 288$
  • 模型输入长度为 $L_{x}$
  • 模型输出长度为 $288$

最后，对所有滑窗预测的结果做平均。假设用 $K$ 个数据序列做模型评估，每个数据序列数为 $k$，会随机采样一个滑动窗口步数 $\Delta t$(比如范围 $[10min, 100min]$)，最后分数为：

$$score = \frac{1}{K}\sum_{k=0}^{K}S_{t_{0} + \sum_{r=0}^{k}\Delta t_{r}}$$

参考