A novel automatic wind power prediction framework based on multi-time scale and temporal attention mechanisms

要約

風力エネルギーは、広く普及している再生可能で環境に優しいエネルギー源であり、地球温暖化を緩和し、エネルギー不足に対処する上で重要な役割を果たしています。
それにもかかわらず、風力発電は不安定性、断続性、ランダム性という特徴があり、送電網の信頼できる電源として機能することが妨げられています。
再生可能エネルギー源に大きく依存する新しい電力システムを開発するには、風力発電の正確な予測が不可欠です。
しかし、従来の風力発電予測システムは主に超短期または短期の予測に焦点を当てており、電力システムの多様な調整要件に同時に対処する能力が制限されています。
これらの課題を克服するために、私たちは複数の時間スケールにわたって風力発電を予測できる自動フレームワークを提案します。
ツリー構造のパルゼン推定器 (TPE) と時間融合変換器 (TFT) に基づいたフレームワークで、超短期、短期、中期の風力発電予測力を提供します。私たちのアプローチは風力発電予測に TFT を使用します。
特徴に基づいて特徴を分類します。
さらに、分解方法とモデルのハイパーパラメータを同時に微調整するための汎用アルゴリズムを導入します。
私たちは、一般的に使用される 3 つの分解アルゴリズムと、複数時間スケールを予測するための 6 つの最先端モデルを使用してアブレーション実験を実行することにより、フレームワークのパフォーマンスを評価します。
実験結果は、私たちが提案した方法が公開データセット Engie https://opendata-renewables.engie.com での予測精度を大幅に向上させることを示しています。
2 番目に優れた最先端のモデルと比較して、私たちのアプローチは、24 時間予測の正規化平均絶対誤差 (nMAE) が 31.75% と 28.74%、48 時間の予測では nMAE が 20.79% と 16.93% 減少しました。
-時間予測、それぞれ。

要約(オリジナル)

Wind energy is a widely distributed, renewable, and environmentally friendly energy source that plays a crucial role in mitigating global warming and addressing energy shortages. Nevertheless, wind power generation is characterized by volatility, intermittence, and randomness, which hinder its ability to serve as a reliable power source for the grid. Accurate wind power forecasting is crucial for developing a new power system that heavily relies on renewable energy sources. However, traditional wind power forecasting systems primarily focus on ultra-short-term or short-term forecasts, limiting their ability to address the diverse adjustment requirements of the power system simultaneously. To overcome these challenges, We propose an automatic framework capable of forecasting wind power across multi-time scale. The framework based on the tree-structured Parzen estimator (TPE) and temporal fusion transformer (TFT) that can provide ultra-short-term, short-term and medium-term wind power forecasting power.Our approach employs the TFT for wind power forecasting and categorizes features based on their properties. Additionally, we introduce a generic algorithm to simultaneously fine-tune the hyperparameters of the decomposition method and model. We evaluate the performance of our framework by conducting ablation experiments using three commonly used decomposition algorithms and six state-of-the-art models for forecasting multi-time scale. The experimental results demonstrate that our proposed method considerably improves prediction accuracy on the public dataset Engie https://opendata-renewables.engie.com. Compared to the second-best state-of-the-art model, our approach exhibits a reduction of 31.75% and 28.74% in normalized mean absolute error (nMAE) for 24-hour forecasting, and 20.79% and 16.93% in nMAE for 48-hour forecasting, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google