A Deep Learning-Based Method for Regional Wind Power Production Volume Prediction

Abstract

Målet med denne studien var å estimere produksjonsvolumet av vindkraft i en stor geografisk region gitt de numeriske vær-datane (NWP) over regionen og metoder basert på dyp læring. Et presist estimat for fremtidig produksjonsvolum er viktig for balansering av strømnettet, produksjonsplanlegging og prisestimering. De siste årene har dette stadig blitt viktigere, og det har vært en hyppig økning i antall nyinstallerte vindmøller og dermed den totale produksjonskapasiteten. Vindmøller er konstruert for å generere energi basert på vind, noe som gir en sterk korrelasjon mellom værsystemet i et område og mengden strøm som produseres av vindmøller i det aktuelle området på et gitt tidspunkt. Denne sammenhengen motiverer en grundig analyse av historisk, øyeblikkelig og fremtidig værdata som grunnlag for estimering av produksjonsvolumet. Dette er en krevende oppgave gitt de ikkelineære romlige og temporale korrelasjonene i værsystemet. Denne studien designer og evaluerer en modellarkitektur basert på dyp læring som tar i bruk metoder som har vist gode resultater på andre lignende problemer. Konvolusjonelle nevrale nettverk, CNN, har hatt stor suksess innenfor bildeklassifisering og er i stand til å ekstrahere romlige korrelasjoner. En utvidelse av CNN kalt 3D konvolusjon, har tidligere vist å være i stand til å ekstrahere temporale korrelasjoner i en sekvens av bilde-lignende data. Denne studien fastslo at den foreslåtte modellen basert på dyp læring var i stand til å estimere produksjonsvolumet av vindkraft direkte med en høyere presisjon i 13 av 20 regioner, enn andre, mer vanlige maskinlæringsmetoder. En hybrid modell ble konstruert av den foreslåtte modellen basert på dyp læring for feature engineering med en valgtre-basert læringsmodell, LightGBM, for den endelige estimeringen. Den hybride modellen forbedret presisjonen på estimeringen av produksjonsvolumet i 17 av 20 regioner, sammenlignet med den samme valgtre-baserte algoritmen trent uten de ekstra genererte karakteristikkene. Videre undersøkelser av modellarkitekturer basert på dyp læring er oppfordret for å få bedre innsikt i hvordan de romlige og temporale relasjonene i værdata kan brukes til estimering av produksjonsvolum av vindkraft.

The aim of this thesis was to predict the wind power production volume of a large geographical region given the Numerical Weather Prediction data (NWP) over the region using deep learning. Accurate production volume predictions is important for power grid balancing, production planning, and price estimation. Having an accurate forecast for the upcoming wind power production volume has become more and more important in the past years due to the fast increasing number of installed wind turbines and installed total production capacity. Due to the physical properties of wind turbines, wind power production has a strong correlation with the current weather system. This motivates a thorough analysis of the weather using the past, current, and upcoming weather as a basis for the volume prediction. However, the highly nonlinearity of the spatial and temporal characteristics of the weather system makes accurate power volume predictions difficult. To address this, this study designes and evaluate a deep learning architecture using techniques that have shown great success on other similar problems. Convolutional Neural Networks, CNNs, have had great success in image classification, and are able to extract spatial relations and information. An extension to CNNs, called 3D convolution, has had success in capturing temporal dependencies in sequences of image-like data. This study found that deep learning methods were able to directly predict the wind power production volume more accurately than other common machine learning methods in 13 out of 20 regions. A hybrid model combining the proposed deep learning architecture for feature generation and a tree-based learning algorithm, LightGBM, for the final power predictions, improved the prediction accuracy in 17 out of 20 regions compared to the LightGBM algorithm trained without these additional features. Future research in applying deep learning to wind power analysis is encouraged to further investigate the possibilities of capturing the spatio-temporal dependencies to improve predictions.