基于 SCADA 数据和连续学习的风力预测偏差校正
机器学习
2026-01-13 v1
摘要
风能在向可再生能源转型方面发挥着关键作用。然而，风的不确定性和变动性会阻碍其潜力的充分发挥，并妨碍风力容量的必要增长。为缓解这些挑战，人们会采用风力预测方法，用于电力管理、能源交易或维护调度。在本工作中，我们提出、评估并比较了四种基于机器学习的风力预测模型。我们的模型对从数值天气预报（NWP）模型提取的 48 小时预测进行校正和改进。这些模型在由 65 台风机组成的风电场数据集上进行评估。通过卷积神经网络实现的最佳预测误差和均方偏差改进，使平均 NRMSE 下降至 22%，显著减少了均方偏差；而与使用未校正 NWP 预测的强偏差基准模型相比，其 NRMSE 为 35%。我们的发现进一步表明，神经网络结构的变化在影响预测性能方面起作用较小；而未来研究应更关注模型管道中的变更。此外，我们引入了连续学习策略，显示在新数据可用时可实现最高的预测性能提升。
引用
@article{arxiv.2402.13916,
title = {Bias correction of wind power forecasts with SCADA data and continuous learning},
author = {Stefan Jonas and Kevin Winter and Bernhard Brodbeck and Angela Meyer},
journal= {arXiv preprint arXiv:2402.13916},
year = {2026}
}
备注
20 pages