Bias correction of wind power forecasts with SCADA data and continuous learning

要約

風力エネルギーは、再生可能エネルギー源への移行において重要な役割を果たします。
しかし、風力の不確実性と変動性は、その可能性を最大限に発揮し、風力発電容量の必要な拡大を妨げる可能性があります。
これらの課題を軽減するために、風力発電の予測手法は、電力管理、エネルギー取引、メンテナンス スケジュールのアプリケーションに採用されています。
この研究では、4 つの機械学習ベースの風力予測モデルを提示、評価、比較します。
私たちのモデルは、数値天気予報 (NWP) モデルから抽出された 48 時間予報を修正および改善します。
モデルは、65 基の風力タービンで構成される風力発電所のデータセットに基づいて評価されます。
予測誤差と平均バイアスの最も優れた改善は、畳み込みニューラル ネットワークによって達成され、平均 NRMSE が 22% まで減少し、未補正を使用した強くバイアスされたベースライン モデルの NRMSE が 35% であったのと比較して、平均バイアスも大幅に減少しました。
NWPの予想。
さらに、私たちの調査結果は、ニューラル ネットワーク アーキテクチャの変更が予測パフォーマンスに与える影響は小さく、将来の研究ではむしろモデル パイプラインの変更を調査する必要があることを示しています。
さらに、継続的な学習戦略を導入します。これは、新しいデータが利用可能になったときに予測パフォーマンスの最高の向上が達成されることが示されています。

要約(オリジナル)

Wind energy plays a critical role in the transition towards renewable energy sources. However, the uncertainty and variability of wind can impede its full potential and the necessary growth of wind power capacity. To mitigate these challenges, wind power forecasting methods are employed for applications in power management, energy trading, or maintenance scheduling. In this work, we present, evaluate, and compare four machine learning-based wind power forecasting models. Our models correct and improve 48-hour forecasts extracted from a numerical weather prediction (NWP) model. The models are evaluated on datasets from a wind park comprising 65 wind turbines. The best improvement in forecasting error and mean bias was achieved by a convolutional neural network, reducing the average NRMSE down to 22%, coupled with a significant reduction in mean bias, compared to a NRMSE of 35% from the strongly biased baseline model using uncorrected NWP forecasts. Our findings further indicate that changes to neural network architectures play a minor role in affecting the forecasting performance, and that future research should rather investigate changes in the model pipeline. Moreover, we introduce a continuous learning strategy, which is shown to achieve the highest forecasting performance improvements when new data is made available.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google