文章目录
资料:
一、环境
paddlets时序预测,paddlets环境只能用docker,不然不太好安装:
cpp
docker run -it -p 18888:18888 -v C:\Users\Administrator\PycharmProjects\paddlets:/pro registry.baidubce.com/paddlets/paddlets:latest bash
# 或者
docker run -it -p 18889:18888 --gpus all -v /ssd/xiedong/paddlets:/pro registry.baidubce.com/paddlets/paddlets:latest-gpu-cuda11.2-cudnn8 bash
apt-get install -y openssh-server
apt install openssh-server --fix-missing # 不断执行
export http_proxy=192.168.3.2:10811
export https_proxy=192.168.3.2:10811
apt-get update
vim /etc/ssh/sshd_config
Port 18888 # 根据需求设置,容器Linux开启SSH服务的默认端口是22
PermitRootLogin yes # 允许root用户登录(可选,根据需要设置)
PasswordAuthentication yes # 允许密码身份验证
ssh-keygen -t rsa -b 2048
passwd root
nihao123
service ssh start
二、题目1
(1)请分析所提供的 10 个地区的功率数据,并绘制功率时序曲线,分析 10 个地区
功率变化特点,初步判断哪个地区的功率可以获得更好的预测结果,说明你的理由。
执行程序d1t1.py可以获得下面的图,这是5天中,10个地区的功率YD15的曲线。从趋势变换上来看,只有'02.csv'、'03.csv'的趋势变化非常具有周期性,应该是可以获得更好的预测结果的。
三、题目2
(2)分别对风速(预测风速和实际风速)、风向、温度、湿度、气压与功率(两个功率预测目标)的关系进行分析,如果要用这些气象因素来提高功率时序预测的结果,你优先推荐哪个(或哪几个)?简要说明理由。
选取02.csv的数据来对比02.csv中各个特征的关系。只有图最为直观,相关度之类的数值可以在更复杂难分析的情况使用。
下图是预测功率(系统生成)、实际功率(计量口径一)、 实际功率(预测目标,计量口径二)的图。变化趋势有周期性,每天都有顶峰数值。
下图是WINDSPEED 预测风速、TEMPERATURE 温度、ROUND(A.WS,1) 实际风速的变化图,周期性非常明显,从物理意义上来说也和风力发电功率非常相关。
下图是WINDDIRECTION 风向、HUMIDITY 湿度、PRESSURE 气压的变化图,数值过于平稳单调,和风力发电功率没有太大关联性。
如果要用这些气象因素来提高功率时序预测的结果,优先选择TEMPERATURE 温度、ROUND(A.WS,1) 实际风速这2个特征。
四、题目3
(3)请根据已知的气象数据与历史功率数据,划分训练集和测试集(将数据集中最后 3 天数据作为测试集),设计方法(不限使用神经网络等)构建预测模型,对 10 个地区的数据集内功率进行预测分析。并与原有的真实结果相比,做出误差分析,并分析不同气候因素对预测结果的影响。
五、函数参数
lstm = LSTNetRegressor(
in_chunk_len=(24 + 19) * 7 * 4,
out_chunk_len=(24 + 19) * 4, # 预测05:00之后到次日23:45的实际功率
max_epochs=200,
optimizer_params=dict(learning_rate=5e-3),
)
-
in_chunk_len (int)
: 反馈窗口的大小,即输入到模型的时间步数。 -
out_chunk_len (int)
: 预测范围的大小,即模型输出的时间步数。 -
skip_chunk_len (int)
: 可选,单个样本中输入块和输出块之间的时间步数。跳过的块既不作为特征(即 X),也不作为标签(即 Y)。默认情况下,不会跳过任何时间步。 -
sampling_stride (int)
: 相邻样本之间的采样间隔。 -
loss_fn (Callable[..., paddle.Tensor]|None)
: 损失函数。 -
optimizer_fn (Callable[..., Optimizer])
: 优化算法。 -
optimizer_params (Dict[str, Any])
: 优化器参数。 -
eval_metrics (List[str])
: 模型的评估指标。 -
callbacks (List[Callback])
: 自定义回调函数。 -
batch_size (int)
: 每批次的样本数。 -
max_epochs (int)
: 训练期间的最大轮数。 -
verbose (int)
: 详细模式。 -
patience (int)
: 在终止训练前等待改进的轮数。 -
seed (int|None)
: 全局随机种子。 -
skip_size (int)
: 跳过 RNN 层的跳跃大小。 -
channels (int)
: 第一层 Conv1D 的通道数。 -
kernel_size (int)
: 第一层 Conv1D 的卷积核大小。 -
rnn_cell_type (str)
: RNN 单元类型,可以是 GRU 或 LSTM。 -
rnn_num_cells (int)
: 每层的 RNN 单元数。 -
skip_rnn_cell_type (str)
: 跳过层的 RNN 单元类型,可以是 GRU 或 LSTM。 -
skip_rnn_num_cells (int)
: 跳过部分每层的 RNN 单元数。 -
dropout_rate (float)
: Dropout 正则化参数。 -
output_activation (str|None)
: 输出使用的最后激活函数。可以是 None(默认无激活),sigmoid 或 tanh。