经过Surbhi Jain2022年3月25日由Susha Cheriyedath审查，硕士
在最近发表在《杂志》上的文章中能量研究人员使用机器学习方法进行了一项对有效风能预测的比较研究。
学习：使用机器学习方法的有效风能预测：比较研究。图片来源：Alexander SuperTramp/Shutterstock.com
背景
风力发电能力最近急剧增加，使其成为可再生能源的有前途的来源。风能管理中最大的障碍是其间歇性波动，这主要是由天气条件引起的，这使其整合到电网中是困难的操作。结果，风力预测对于将风力涡轮机的有效整合到电力系统中非常重要。
在过去的二十年中，人们对创建准确的风能预测算法一直引起人们的兴趣。为了改善风能预测，文献中已经开发了各种数据驱动的方法。
基于BO的优化GPR程序。图片来源：Alkesaiberi，A等人，能量
在过去的十年中，机器学习方法通过解决了电力，天然气和其他现实世界中的各种艰巨挑战，将自己确立为数据驱动框架中的主要研究主题。最近，通过结合不同模型的优势，在文献中开发了各种用于预测风能的机器学习方法。
关于研究
在这项研究中，作者介绍了可以正确估计风力发电的数据驱动模型的开发。研究了增强机器学习模型预测单变量风力序列序列数据的潜力。作者使用贝叶斯优化（BO）用多个内核，高斯过程回归（GPR）的超参数（GPR）和合奏学习（ES）模型来微调支持向量回归（SVR），例如，包装的树木和增强树以改进树木预测性能。
为了提高分析模型的预测性能，将动态信息添加到其开发中。为了模拟非线性风能动力学并估算未来的风能趋势，使用了多个机器学习算法并进行了比较。
该团队使用滞后测量结果将时间演变纳入正在考虑的模型的设计中。另外，使用额外的输入因子（例如风向和速度）来提高风预测的准确性。通过使用法国，喀格格勒和土耳其的三个风力涡轮机的实际测量结果来验证研究模型的效率。
研究人员提供了一种快速简便的机器学习方法，用于预测风能统计。验证了用于预测单变量风电时间序列数据的机器学习模型的准确性。为了进行风能预测，检查了七种机器学习算法，包括基于内核的方法（即GPR和SVR模型）和集合学习技术（装袋，随机森林，增强和极端梯度增强（XGBOOST））。为了开发考虑的模型，在训练集中执行了五倍的交叉验证。
风力 （左上方）和风速（右上）来自土耳其风力涡轮机的数据；风力发电的每小时数据的框图（左下方）和风速（右下）。图片来源：Alkesaiberi，A等人，能量
观察
与带有输入变量的增强树（BT）模型相比，BT模型的根平方误差（RMSE）值在没有任何输入的情况下减少了157.51，R2值增加了0.18。通过捕获近99％的风能数据变化（即R2= 0.99），行李树模型的表现优于所有其他型号。对于土耳其数据，GPRo结果最大，有R2在0.9789中，对于Kaggle数据，装袋技术的结果最好20.9578。
考虑滞后数据和输入变量可以更准确地预测风力。改进的GPR和合奏模型还优于其他机器学习模型。已经证明，合并输入变量可显着提高风能预测的准确性。与静态模型相比，结果表明，利用动态模型，这些模型从风能序列的历史观察结果中考虑重要信息增强了预测结果。
还观察到，结合输入因子（例如风向和速度）的数据提高了预测准确性。对于所有研究，没有一个策略优于其他策略，尽管平均而言，合奏和GPR模型取得了有效的预测性能2值约为0.95。
风力涡轮机的相关矩阵的热图（一种） 法国， （b）土耳其和（（C）kaggle。图片来源：Alkesaiberi，A等人，能量
结论
总之，这项研究阐明了动态机器学习模型，以预测风能效率。作者强调，尽管采用动态机器学习方法预测风能的积极结果，但未来的工作应着重于创建基于小波的动态机器学习方法，以提高机器学习技术对噪声风能测量的鲁棒性。
他们建议，提高预测质量的另一种方法是在机器学习方法中包括解释性因素，例如气象测量。他们还认为，本研究中提出的动态机器学习模型可用于模仿风力涡轮机的标准工作条件，并且可以将统计监测图（如广义可能性测试和指数加权的移动平均值）进行检测来检测故障。
来源
Alkesaiberi，A.，Harrou，F.，Sun，Y。，使用机器学习方法的有效风力预测：比较研究。能量15（7）2327（2022）。https://www.mdpi.com/1996-1073/15/7/2327
免责声明：此处表达的观点是以其私人身份表达的作者的观点，不一定代表AZOM.com的观点有限的T/A Azonetwork本网站的所有者和运营商。此免责声明构成了条款和条件使用此网站。