Investigating the Impact of Economic Curtailment Predictive Features on Deep Learning-Based Wind Power Production Forecasting

Abstract

Målet med denne studien er å utforske hvordan man kan integrere prediktive faktorer knyttet til økonomiske begrensninger i vindkraftproduksjon, i dyp læring-baserte tilnærminger for prognoser av vindkraftproduksjon. Ved å undersøke de nyeste løsningene innen vindkraftprognoser og gjennomføre eksperimenter med ulike modeller og teknikker, ønsker denne studien å svare på spørsmål om hvordan ikke-fysiske faktorer påvirker prognosene og hvordan man kan forbedre prognoseytelsen. Resultatene viser at enklere dyp læring-teknikker er effektive i å fange opp innvirkningen av ikke-fysiske faktorer, og de gir sammenlignbar ytelse med mer komplekse modeller. Inkluderingen av pris som en faktor forbedrer nøyaktigheten i prognosene, mens effekten av solproduksjon og strømforbruk er fortsatt uklar. Denne studien bidrar til forskningsfeltet ved å understreke viktigheten av å inkludere ikke-fysiske faktorer og gir innsikt som kan brukes til å optimalisere prognosene for vindkraftproduksjon. Fremtidig forskning kan rette seg mot å utforske spesifikke dynamikker i ulike regioner, forbedre prosessen med innsamling av data om hendelser knyttet til økonomiske begrensninger og undersøke mer grundig hvordan oppmerksomhetsmekanismen kan brukes for å forstå og forbedre prognosens pålitelighet.

This thesis aims to explore the incorporation of predictive features related to economic curtailment into deep learning-based approaches for wind power production forecasting. By investigating the current state-of-the-art solutions in wind power forecasting and conducting experiments with various models and techniques, this study addresses the research questions of capturing the impact of non-physical factors and improving forecast performance. The findings reveal the effectiveness of simpler deep learning techniques in capturing the influence of non-physical factors, with comparable performance to more complex models. The inclusion of price as a feature improves forecast accuracy, while the impact of solar production and consumption remains inconclusive. The study contributes to the field by highlighting the importance of incorporating non-physical factors and provides insights for optimizing wind power production forecasting. Future research directions include exploring region-specific dynamics, enhancing data collection processes for economic curtailment incidents, and further investigating the attention mechanism to gain interpretability and improve forecast reliability.