Forecasting Wind Turbine Power Based on Machine Learning and Deep Learning Models

Abstract

Bidraget fra vindkraft i de elektriske nettsystemene i mange land øker på grunn av at det er en grønn energikilde, tilgjengeligheten av rikelig tilgang på vindressurser og den nylige teknologiske utviklingen på feltet. Integrasjon av vindkraft i nett kommer imidlertid også med utfordringer som økning i kapasitetsavgiftene, og forstyrrelser i drift og planlegging av både vindkraftverk og fossile kraftverk. Disse utfordringene oppstår hovedsakelig på grunn av vindens intermitterende natur. Siden vind er hovedfaktoren som produserer kraft med vindturbiner, oversettes denne intermittensen også til vindkraften. Prognostisering av vindkraft er en av løsningene for å møte disse utfordringene. Omfanget av denne oppgaven er å forutsi kortsiktig vindkraft ved å bruke virkelige data fra vindturbiner. SCADA-data fra vindturbiner ble brukt i denne forskningen for å utvikle flere maskinlærings- og dyplæringsmodeller som kan forutsi vindkraft. En utforskende dataanalyse ble utført på det tilgjengelige datasettet for å forstå den underliggende sammenhengen mellom funksjonene. Long Short-Term Memory (LSTM), Support Vector Regression (SVR), XGBoost Regression og Prophet-algoritme ble brukt til å forutsi. Evalueringsmatriser som Coefficient of Determination (R2), Mean Squared Error (MSE) og Root Mean Squared Error (RMSE) ble brukt for å bestemme modellytelsen. I følge resultatet presterte LSTM-modellen best av alle modeller og oppnådde en R2 på 0,965, MSE på 0,034 og RMSE på 0,186.

Contribution of wind power in the electrical grid systems of many countries is increasing because of many reasons like being a green source of energy, availability of abundant supply of wind resources and the recent technological development in the field. However, this integration of wind power into the grid also comes with challenges such as increase in the capacity charges, and disturbance in the operation and planning of both wind and fossil fuel power plants. These challenges mainly occur because of the intermittent nature of the wind. Since wind is the main source that produces power with wind turbines, this nature translates to wind power too. Forecasting wind power is one of the solutions to counter these challenges. The scope of this thesis is to forecast short term wind power by using real world data from wind turbines. SCADA data of wind turbines was used in this research to develop multiple machine learning and deep learning models that can forecast wind power. An exploratory data analysis was carried out on the available dataset to understand the underlying relationship of the features. Long Short-Term Memory (LSTM), Support Vector Regression (SVR), XGBoost Regression and Prophet algorithm were used to forecast wind power. Evaluation metrics like Coefficient of Determination (R2), Mean Squared Error (MSE), and Root Mean Squared Error (RMSE) were employed to determine the model performance. According to the result, the LSTM model performed best out of all models achieving an R2 of 0.965, MSE of 0.034, and RMSE of 0.186.