Asset Bundling for Wind Power Forecasting

要約

米国の電力網における断続的な再生可能発電、特に風力発電や太陽光発電の普及が進んでいることにより、運用の不確実性が増大しています。
この文脈では、特に変動が大きく歴史的に予測が難しい風力発電については、正確な予測が重要です。
この課題を克服するために、この研究では、資産バンドル、機械学習、および予測調整技術を統合する新しいバンドル-予測-調整 (BPR) フレームワークを提案します。
BPR フレームワークは、最初に中間階層レベル (バンドル) を学習し、次に資産、バンドル、およびフリート レベルで風力発電を予測し、最後にすべての予測を調整して一貫性を確保します。
このアプローチは、主な学習タスクを支援する補助学習タスク (バンドル レベルの時系列を予測する) を効果的に導入します。
この論文では、風力発電の時系列の時空間ダイナミクスを捉える新しい資産バンドル基準も紹介しています。
MISO フットプリント内の 283 の風力発電所からなる業界規模のデータセットに対して、広範な数値実験が実施されています。
実験では、短期および前日の予報を考慮し、共変量として天気予報を含む多種多様な予測モデルを評価します。
この結果は、特にフリート レベルで、ベースラインを上回る予測精度を一貫して大幅に向上させる BPR の利点を示しています。

要約(オリジナル)

The growing penetration of intermittent, renewable generation in US power grids, especially wind and solar generation, results in increased operational uncertainty. In that context, accurate forecasts are critical, especially for wind generation, which exhibits large variability and is historically harder to predict. To overcome this challenge, this work proposes a novel Bundle-Predict-Reconcile (BPR) framework that integrates asset bundling, machine learning, and forecast reconciliation techniques. The BPR framework first learns an intermediate hierarchy level (the bundles), then predicts wind power at the asset, bundle, and fleet level, and finally reconciles all forecasts to ensure consistency. This approach effectively introduces an auxiliary learning task (predicting the bundle-level time series) to help the main learning tasks. The paper also introduces new asset-bundling criteria that capture the spatio-temporal dynamics of wind power time series. Extensive numerical experiments are conducted on an industry-size dataset of 283 wind farms in the MISO footprint. The experiments consider short-term and day-ahead forecasts, and evaluates a large variety of forecasting models that include weather predictions as covariates. The results demonstrate the benefits of BPR, which consistently and significantly improves forecast accuracy over baselines, especially at the fleet level.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google