宣告
- 系列博客不會出現任何真實資料
- 比賽期間將拒絕一切私信，有問題請發評論
系列文章目錄
第五屆全國工業互聯網資料創新應用大賽 機組資料驅動的風電場短期風況預測 【0】【風況預測評分規則-最終得分R的計算】【已棄用】
第五屆全國工業互聯網資料創新應用大賽 機組資料驅動的風電場短期風況預測 【1】【驗證集制作】【已棄用】
第五屆全國工業互聯網資料創新應用大賽 機組資料驅動的風電場短期風況預測 【2】【驗證集使用】【已棄用】
第五屆全國工業互聯網資料創新應用大賽 機組資料驅動的風電場短期風況預測 【3】【計算最終得分】
第五屆全國工業互聯網資料創新應用大賽 機組資料驅動的風電場短期風況預測 【4】【資料管理】
第五屆全國工業互聯網資料創新應用大賽 機組資料驅動的風電場短期風況預測 【5】【資料可視化】【測驗集_初賽】
第五屆全國工業互聯網資料創新應用大賽 機組資料驅動的風電場短期風況預測 【6】【資料可視化】【訓練集】
第五屆全國工業互聯網資料創新應用大賽 機組資料驅動的風電場短期風況預測 【7】【資料管理】【驗證集本地化】
第五屆全國工業互聯網資料創新應用大賽 機組資料驅動的風電場短期風況預測 【8】【資料可視化】【驗證集】
第五屆全國工業互聯網資料創新應用大賽 機組資料驅動的風電場短期風況預測 【9】【資料可視化】【氣象資料】
文章目錄
- 宣告
- 系列文章目錄
- 更新說明
- 注
- 前言
- 一、必要的準備
- 二、在同一張圖內展示
- 風速
- 風向
- 三、分開展示
- 風速
- 風向
- 四、結語
更新說明
無
注
注：大賽官網明確規定資料不可用作其他用途，所以圖就不展示了
前言
風場間的機艙資料有何關系，機艙資料和氣象資料又有何關系，下面將以氣象資料的時間線為主，然后從機艙資料中提取與氣象資料處于同一時間的資料，通過可視化的方式來直觀的展現它們的關系，
一、必要的準備
main.py見系列第5個博客【4】【資料管理】
- 你需要把
mian.py和train放在同一目錄下，然后運行以下代碼
from main import *
dm = Data_Manager()
dm.load_test_data()
np.nan_to_num(dm.X_, copy=False)
np.nan_to_num(dm.X0, copy=False)
np.nan_to_num(dm.Y0, copy=False)
np.nan_to_num(dm.S, copy=False)
np.nan_to_num(dm.W, copy=False)
np.nan_to_num(dm.test_X_, copy=False)
np.nan_to_num(dm.test_X0, copy=False)
np.nan_to_num(dm.test_W, copy=False);
二、在同一張圖內展示
當眾多曲線相似性很高時，可以通過在同一張圖內展示，觀察它們的重合度
f = 0 # 可以通過設定 f 來選擇風場，[風場1: 0], [風場2: 1]
size = 500 # 時間長度，注：最大不要超過 17520
z = np.arange(size)
i = np.random.randint(0, 17520 - size)
風速
注：氣象資料的風速資料與機艙資料的風速資料不在同一空間（機艙資料被歸一化了），所以不能同圖展示
fig, ax = plt.subplots(figsize=(50, 10))
for m in range(machine_len):
spd_w, dir_w = dm.weather['data'][f, i:i+size, m, :].T
ax.plot(z, spd_w)
plt.show()
fig, ax = plt.subplots(figsize=(50, 10))
spd_w, dir_w = dm.weather['data'][f, i:i+size, -1, :].T
ax.set_ylabel('氣象資料')
ax.plot(z, spd_w)
plt.show()
風向
注：氣象資料的風向資料與機艙資料的風向資料不在同一空間（機艙資料被歸一化了），所以不能同圖展示
fig, ax = plt.subplots(figsize=(50, 10))
for m in range(machine_len):
spd_w, dir_w = dm.weather['data'][f, i:i+size, m, :].T
ax.plot(z, dir_w)
plt.show()
fig, ax = plt.subplots(figsize=(50, 10))
spd_w, dir_w = dm.weather['data'][f, i:i+size, -1, :].T
ax.set_ylabel('氣象資料')
ax.plot(z, dir_w)
plt.show()
三、分開展示
當眾多曲線相似性不高時，可以通過分開展示，觀察它們的差異性
f = 0 # 可以通過設定 f 來選擇風場，[風場1: 0], [風場2: 1]
size = 300 # 時間長度，注：最大不要超過 17520
z = np.arange(size)
i = np.random.randint(0, 17520 - size)
風速
for m in range(machine_len+1):
spd_w, dir_w = dm.weather['data'][f, i:i+size, m, :].T
fig, ax = plt.subplots(figsize=(50, 10))
ax.set_ylabel(machine[f][m] if m < machine_len else '氣象資料')
ax.plot(z, spd_w)
plt.show()
風向
for m in range(machine_len+1):
spd_w, dir_w = dm.weather['data'][f, i:i+size, m, :].T
fig, ax = plt.subplots(figsize=(50, 10))
ax.set_ylabel(machine[f][m] if m < machine_len else '氣象資料')
ax.plot(z, dir_w)
plt.show()
四、結語
看來圖之后，有兩個問題需要思考一下
- 同一風場同一時段，其中有一小部分風機存在資料缺失，那么其他風機的資料能不能幫助修復呢？
- 能不能宏觀把控整個風場呢？不是以單臺風機為單位的預測，而是以整個風場為單位，整體進行預測呢？這樣的話，只要不出現同一時段所有資料缺失就能預測吧，，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/327913.html
標籤：其他
上一篇：docker部署kafka