面向因红ispatch导致的不规则停机的自回归深度学习风力发电预报
机器学习
2024-12-03 v1 信号处理
机器学习
摘要
由于传统发电厂逐渐被取代，其在红ispatch干预中的贡献因此下降。为了将风力发电（WP）纳入此类干预作为替代方案，需进行日前预报，以便在红ispatch规划中传达其可用性。为此，针对数千台分散在各地的本地陆上WP风机部署，要求自动且可扩展的预报模型。此外，由于红ispatch停机导致的WP发电能力的不规则干预，为WP预报模型的设计和运行带来挑战。由于最先进的预报方法会考虑过去的WP发电值以及日前天气预报，红ispatch停机可能影响预报结果。因此，本文概述了这些挑战，并分析了在包含常规和不规则停机的数据集上进行的先进预报方法。具体而言，我们比较了三种自回归深度学习（DL）方法与基于WP曲线建模的方法的预报精度。有趣的是，后者实现的预报误差更低，在建模和运行期间对数据清洗的要求更少，同时计算更高效，这表明其在实际应用中的优势。
关键词
引用
@article{arxiv.2412.00423,
title = {On autoregressive deep learning models for day-ahead wind power forecasting with irregular shutdowns due to redispatching},
author = {Stefan Meisenbacher and Silas Aaron Selzer and Mehdi Dado and Maximilian Beichter and Tim Martin and Markus Zdrallek and Peter Bretschneider and Veit Hagenmeyer and Ralf Mikut},
journal= {arXiv preprint arXiv:2412.00423},
year = {2024}
}