利用形状特征工程提升风速与风电功率预测：一种提高精度和鲁棒性的新方法
机器学习
2024-01-17 v1
摘要
准确预测风速和功率对于提高风能系统的效率至关重要。迄今为止，已有多种解决方案展示了其改进预测的潜力。其中，深度学习被视为该领域的一项革命性方法。然而，尽管这些算法有效，但收集数据中的噪声仍然是一个重大挑战。这种噪声可能降低算法性能，导致预测不准确。为此，本研究探索了一种新颖的特征工程方法。该方法在卷积神经网络-长短期记忆网络和自回归模型中针对不同预测时域改变数据输入形状。结果表明，模型对数据步长增加引起的噪声的鲁棒性显著增强。该方法在预测未见数据至第24步时可达83%的准确率。此外，该方法在短期、中期和长期预测中均能持续提供高精度，优于单个模型的性能。这些发现为通过形状特征工程在不同预测时域上进一步研究降噪策略铺平了道路。
引用
@article{arxiv.2401.08233,
title = {Enhancing Wind Speed and Wind Power Forecasting Using Shape-Wise Feature Engineering: A Novel Approach for Improved Accuracy and Robustness},
author = {Mulomba Mukendi Christian and Yun Seon Kim and Hyebong Choi and Jaeyoung Lee and SongHee You},
journal= {arXiv preprint arXiv:2401.08233},
year = {2024}
}