面向风电功率预测的资产捆绑
统计方法学
2023-09-29 v1 人工智能
应用统计
机器学习
摘要
美国电网中间歇性可再生发电（尤其是风电与太阳能发电）渗透率的不断增长导致了运行不确定性的增加。在此背景下，准确的预测至关重要，特别是对于表现出较大波动性且历史上更难预测的风电发电。为克服这一挑战，本文提出了一种新颖的捆绑–预测–协调（BPR）框架，该框架集成了资产捆绑、机器学习和预测协调技术。BPR 框架首先学习一个中间层级（即捆绑组），随后在资产、捆绑组和 fleet 层级预测风电功率，最后协调所有预测以确保一致性。该方法有效地引入了一个辅助学习任务（预测捆绑组层级时间序列）以帮助主要学习任务。本文还提出了捕捉风电功率时间序列时空动态的新资产捆绑准则。在 MISO 覆盖区域内 283 个风场的工业规模数据集上进行了大量数值实验。实验考虑了短期与日前预测，并评估了包含天气预测作为协变量的多种预测模型。结果表明了 BPR 的益处，其相较基线一致且显著地提升了预测精度，尤其在 fleet 层级。
引用
@article{arxiv.2309.16492,
title = {Asset Bundling for Wind Power Forecasting},
author = {Hanyu Zhang and Mathieu Tanneau and Chaofan Huang and V. Roshan Joseph and Shangkun Wang and Pascal Van Hentenryck},
journal= {arXiv preprint arXiv:2309.16492},
year = {2023}
}