基于机器学习的跨地点风速预报及其在风能中的应用
信号处理
2018-08-13 v1
摘要
并网风电的广泛利用需要准确可靠的风速预报，以保障电网稳定与电能质量。基于机器学习算法的风速预报模型因能有效地从数据中捕捉变化模式并学习，而在文献中受到越来越多的关注。多数已报道的基于机器学习的风电预报模型是地点特定的，且使用与训练数据相邻的数据进行测试。本工作中，我们开发了基于机器学习的风速预报模型，并分析了它们应用于提前长达一年的不同跨地点数据时的性能。基于支持向量机（SVM）和随机森林（RF）算法分别开发并测试了两种不同的机器学习模型，覆盖相对较大的地理区域。对提前长达一年、不同跨地点与时刻的1小时预报分析结果显示，80%的预测均方根误差（RMSE）在1.5 m/s以内，95%在2.5 m/s以内，98%在3.5 m/s的RMSE以内。2小时预报的75%在1.5 m/s的RMSE以内，16小时预报在2.5 m/s的RMSE以内，48小时预报在3.5 m/s的RMSE以内。当应用于训练数据同一地点时，模型可生成长达22小时的可靠预报，且优势在于模型在提前一年的周期内表现一致，与距训练数据的先导时间无关。该分析输出对于缺乏历史风速数据用于建模与训练的地点的风电行业预报极具前景。
引用
@article{arxiv.1808.03480,
title = {Cross-location wind speed forecasting for wind energy applications using machine learning based models},
author = {Valsaraj Perumpalot and G. V. Drisya and K. Satheesh Kumar},
journal= {arXiv preprint arXiv:1808.03480},
year = {2018}
}