Forecasting wind speed with spatial weather data and neural networks.

Abstract

Vindenergiprodusenter er avhengige av vindkraftprognoser for å vite hvor mye energi de kommer til å produsere. Når vindenergiprodusenten ønsker å selge energi på et energimarked, gir markedet insentiver for nøyaktige vindkraftprognoser. For å lage en vindkraftprognose må man først forutsi været og deretter konvertere værmeldingen til en energiprognose.

I løpet av de siste par årene har det vært en spennende utvikling av maskinlærings baserte værmeldinger. Inspirert av denne utviklingen, utforsker denne avhandlingen, i samarbeid med Aneo, en vindenergiprodusent, bruken av maskinlæringsbaserte værmeldinger. Det unike i denne avhandlingen er bruken av spatial værdata for å produsere vindhastighetsprognoser for en enkelt lokasjon.

Først utforsker denne avhandlingen spatial værdata i en utforskende dataanalyse, der det oppdages at lufttemperatur og lufttrykk er korrelert med fremtidig vindhastighet. Resultatene fra denne utforskende dataanalysen brukes til å opprette avhandlingens datasett.

Deretter eksperimenterer denne avhandlingen med to forskjellige datasett, to forskjellige feed-forward nevrale nettverk og to forskjellige convolutional nevrale nettverk, disse sammenlignes med to forskjellige baselines. En av baselinene er laget fra Meteorologisk institutts ensemble forecasting system, og gir et referansepunkt for de nevrale nettverkene, ved å sammenligne de nevrale nettenes prognoser mot etablerte værprognoser.

Overraskende nok klarte feed-forward nevrale nettverkene å lage en mer nøyaktige vindhastighetsprognoser enn Meteorologisk institutts ensemble forecasting system. Dette indikerer at enkle maskinlæringsbaserte værmeldingsmodeller kan lage nøyaktige vindhastighetsprognoser.

Wind energy producer rely on wind power forecast in order to know how much energy they are going to produce. When the wind energy producer wants to sell energy on a energy market, the market incentives accurate wind power forecast. To make a wind power forecast one need to first predict the weather and then converter the forecast weather condition into forecast energy production.

Over the last couple of year there has been an exciting development of machine learning based weather predictions. Inspired by this development, this thesis in collaboration with Aneo, an wind energy producers, explores the use of machine learning based weather predictions. The novelty of this thesis is the use of spatial weather data to produce wind speed forecasts for a single target location.

First this thesis explores spatial weather data in an exploratory data analysis, there it is discovered that air temperature and air pressure is correlated with future wind speed. The results from the exploratory data analysis is used to create this thesis datasets.

Then this thesis experiments with two different datasets, two different feed forward neural networks and two different convolutional neural network, compared to two different baselines. One of the baselines is made from one of Norwegian meteorological institute's ensemble forecasting system, it serving as a reference point for the neural networks, comparing the neural networks forecast towards established weather forecasts.

Surprisingly the feed forward neural networks managed to create more accurate wind speed forecasts then the Norwegian meteorological institute's ensemble forecasting system. Indicating that simple machine learning based weather prediction models can create accurate wind speed forecasts.