Improving the forecast accuracy of wind power by leveraging multiple hierarchical structure

要約

再生可能エネルギーの発電は、世界的な脱炭素化にとって最も重要です。
再生可能エネルギー、特に風力エネルギーの予測は、風力発電には気象条件に依存する固有の不確実性があるため、困難です。
調整による階層型予測の最近の進歩により、短期的な風力エネルギー予測の品質が大幅に向上していることが実証されています。
私たちは、風力発電所のタービンの断面的および時間的階層構造を活用し、時間横断的階層を構築して、統合された断面的および時間的次元が風力発電所の予測精度にどのように価値を付加できるかをさらに調査します。
複数の時間的集合において、時間横断的な調整が個々の横断的な調整よりも優れていることがわかりました。
さらに、時間横断的に調整された機械学習ベースの予測は、より粗い時間粒度で高い精度を実証したため、短期的な風予測への採用が促進される可能性があります。
当社は経験的に、さまざまな予測期間およびレベルにわたって高周波風力データを予測するための最適な方法に関する洞察を意思決定者に提供します。

要約(オリジナル)

Renewable energy generation is of utmost importance for global decarbonization. Forecasting renewable energies, particularly wind energy, is challenging due to the inherent uncertainty in wind energy generation, which depends on weather conditions. Recent advances in hierarchical forecasting through reconciliation have demonstrated a significant increase in the quality of wind energy forecasts for short-term periods. We leverage the cross-sectional and temporal hierarchical structure of turbines in wind farms and build cross-temporal hierarchies to further investigate how integrated cross-sectional and temporal dimensions can add value to forecast accuracy in wind farms. We found that cross-temporal reconciliation was superior to individual cross-sectional reconciliation at multiple temporal aggregations. Additionally, machine learning based forecasts that were cross-temporally reconciled demonstrated high accuracy at coarser temporal granularities, which may encourage adoption for short-term wind forecasts. Empirically, we provide insights for decision-makers on the best methods for forecasting high-frequency wind data across different forecasting horizons and levels.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google