基于lstm的风电功率预测
时间: 2023-10-16 10:07:03 浏览: 43
风电功率预测是风电场运行管理和调度中的重要问题,可以提高风电场的发电效率和经济效益。基于LSTM的风电功率预测可以通过历史风速和功率数据来预测未来的风电功率。下面是一个基于LSTM的风电功率预测的示例代码:
```python
import numpy as np
import pandas as pd
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import Dense, LSTM
# 加载数据集
data = pd.read_csv('wind_power.csv')
data = data.dropna()
data = data[['WindSpeed', 'Power']]
# 归一化
scaler = MinMaxScaler(feature_range=(0, 1))
data = scaler.fit_transform(data)
# 划分训练集和测试集
train_size = int(len(data) * 0.8)
test_size = len(data) - train_size
train, test = data[0:train_size,:], data[train_size:len(data),:]
# 创建训练集和测试集
def create_dataset(dataset, look_back=1):
dataX, dataY = [], []
for i in range(len(dataset)-look_back-1):
a = dataset[i:(i+look_back), 0]
dataX.append(a)
dataY.append(dataset[i + look_back, 1])
return np.array(dataX), np.array(dataY)
look_back = 5
trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)
# 转换成LSTM的输入格式 [样本数,时间步,特征数]
trainX = np.reshape(trainX, (trainX.shape[0], trainX.shape[1], 1))
testX = np.reshape(testX, (testX.shape[0], testX.shape[1], 1))
# 创建LSTM模型
model = Sequential()
model.add(LSTM(50, input_shape=(look_back, 1)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
# 训练模型
model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2)
# 预测测试集
testPredict = model.predict(testX)
testPredict = scaler.inverse_transform(testPredict)
testY = scaler.inverse_transform([testY])
# 计算均方根误差
rmse = np.sqrt(np.mean((testPredict - testY) ** 2))
print('Test RMSE: %.3f' % rmse)
```
在上面的代码中,我们首先加载风速和功率数据,并对其进行归一化。然后将数据集划分为训练集和测试集,并创建LSTM模型。模型的输入是过去5个小时的风速数据,输出是未来1小时的功率数据。在训练模型时,我们使用了均方误差作为损失函数,并使用Adam优化器进行优化。最后,我们使用训练好的模型来预测测试集,并计算均方根误差。