Enhancing Wind Speed and Wind Power Forecasting Using Shape-Wise Feature Engineering: A Novel Approach for Improved Accuracy and Robustness

要約

風力エネルギー システムの効率を高めるには、風速と風力を正確に予測することが不可欠です。
これまでに数多くのソリューションが導入され、予測を改善する可能性が実証されています。
その中でも、ディープラーニングはこの分野で革命的なアプローチとして認識されています。
ただし、その有効性にもかかわらず、収集されたデータに存在するノイズは依然として大きな課題です。
このノイズは、これらのアルゴリズムのパフォーマンスを低下させ、不正確な予測につながる可能性があります。
これに応えて、この研究では新しい特徴量エンジニアリングのアプローチを検討します。
このアプローチには、畳み込みニューラル ネットワーク – 長短期記憶 (CNN-LSTM) とさまざまな予測期間の自己回帰モデルの両方でデータ入力形状を変更することが含まれます。
結果は、データのステップ増加に起因するノイズに対するモデルの復元力が大幅に強化されていることを明らかにしています。
このアプローチでは、24 ステップまでの目に見えないデータの予測において 83% という驚異的な精度を達成できます。
さらに、この方法は短期、中期、長期の予測において一貫して高い精度を提供し、個々のモデルのパフォーマンスを上回ります。
これらの発見は、形状ごとの特徴エンジニアリングを通じて、さまざまな予測期間におけるノイズ低減戦略に関するさらなる研究への道を開きます。

要約(オリジナル)

Accurate prediction of wind speed and power is vital for enhancing the efficiency of wind energy systems. Numerous solutions have been implemented to date, demonstrating their potential to improve forecasting. Among these, deep learning is perceived as a revolutionary approach in the field. However, despite their effectiveness, the noise present in the collected data remains a significant challenge. This noise has the potential to diminish the performance of these algorithms, leading to inaccurate predictions. In response to this, this study explores a novel feature engineering approach. This approach involves altering the data input shape in both Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) and Autoregressive models for various forecasting horizons. The results reveal substantial enhancements in model resilience against noise resulting from step increases in data. The approach could achieve an impressive 83% accuracy in predicting unseen data up to the 24th steps. Furthermore, this method consistently provides high accuracy for short, mid, and long-term forecasts, outperforming the performance of individual models. These findings pave the way for further research on noise reduction strategies at different forecasting horizons through shape-wise feature engineering.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google