Forecasting wind capacity using Gauss regression models based on nuclear functions

• Autorzy: Niekurzak Mariusz

Warianty tytułu

PL

Prognozowanie mocy wiatrowej przy wykorzystaniu modeli regresji procesu Gaussa opartych na funkcjach jądra

• Języki publikacji: EN

Abstrakty

EN

Energy obtained from wind is characterized by high variability of output power and low availability, therefore it is necessary to predict their future energy production for economic purposes. The aim of the work is to develop and investigate forecasting methods allowing to increase the accuracy of wind farm power prediction with the use of artificial intelligence methods. The study explores the potential of various Gaussian Process Regression (GPR) models based on nuclear functions. In particular, the proposed models are dedicated to short-term prediction. The analysis was based on the operation of 6 wind farms located in Poland. A total of 120 sets of input data were selected for training and testing of the proposed models, and then their impact on the change in the accuracy of the forecasts was verified. As a result of the research, various structures of prognostic models were proposed and tested in order to select the most favorable variant. The comparison of the developed models based on the GPR method shows that the Pearson Universal Kernel (PUK) model was the superlative model. The prediction results of the GPR-PUK model turned out to be the most accurate and in line with the actual values, which allowed to verify the feasibility and effectiveness of using this model for forecasting. Machine learning methods will be able to show higher efficiency with the increase in the amount of data and the expansion of the set of potential explanatory variables. In the sea of data, machine learning methods are able to create predictive models more effectively without the need for tedious analyst interference in data preparation and multi-stage analysis. They will also allow for any frequent updating of the form of forecasting models, even after each addition to the data set.

PL

Energia pozyskiwana z wiatru charakteryzuje się dużą zmiennością mocy wyjściowej i niską dyspozycyjnością, konieczne jest zatem przewidywanie ich przyszłej produkcji energii dla celów ekonomicznych. Celem pracy jest opracowanie i zbadanie metod prognostycznych pozwalających zwiększyć dokładność predykcji mocy elektrowni wiatrowej przy wykorzystaniu metod sztucznej inteligencji. W opracowaniu zbadano potencjał różnych modeli regresji procesu Gaussa (GPR) opartych na funkcjach jądra. W szczególności zaproponowane modele dedykowane są do predykcji krótkoterminowej. Analiza opierała się na pracy 6 elektrowni wiatrowych zlokalizowanych na terenie Polski. Do szkolenia i testowania proponowanych modeli wybrano łącznie 120 zestawów danych wejściowych, a następnie zweryfikowano ich wpływ na zmianę dokładności wykonanych prognoz. W wyniku przeprowadzonych badań, zaproponowano i przetestowano różne struktury modeli prognostycznych, w celu wyboru najkorzystniejszego wariantu. Porównanie opracowanych modeli opartych na metodzie GPR pokazuje, że modelem superlatywnym był model jądra uniwersalnego Pearsona (PUK). Wyniki przewidywania modelu GPR-PUK okazały się najdokładniejsze i są zgodne z rzeczywistymi wartościami, co pozwoliło w ten sposób zweryfikować wykonalność i skuteczności zastosowania tego modelu do prognozowania. Metody uczenia maszynowego będą mogły wykazać się wyższą skutecznością wraz ze wzrostem liczby danych oraz rozszerzeniem zbioru potencjalnych zmiennych objaśniających. W morzu danych metody uczenia maszynowego są w stanie skuteczniej tworzyć modele prognostyczne bez konieczności żmudnej ingerencji analityka w przygotowanie danych i wieloetapową analizę. Pozwolą także na dowolnie częstą aktualizację postaci modeli prognostycznych, nawet po każdym uzupełnieniu zbioru danych.

Słowa kluczowe

EN

wind energy forecasting; wind energy; wind energy potential; machine learning; renewable energy

PL

prognozowanie energii wiatrowej; uczenie maszynowe; energia odnawialna; energia wiatrowa

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2022
• Tom: Nr 4
• Strony: 61--71
• Opis fizyczny: Bibliogr. 35 poz., fig., tab.

Twórcy

autor

Niekurzak Mariusz

• Faculty of Management, AGH University of Science and Technology, 30-059 Krakow, Poland

Bibliografia

• [1] Ahmad, M.; Al-Mansob, R.A.; Jamil, I.; Al-Zubi, M.A.; Sabri, M.M.S.; Alguno, A.C. Prediction of Rockfill Materials’ Shear Strength Using Various Kernel Function-Based Regression Models-A Comparative Perspective. Materials 2022, 15, 1739. https://doi.org/10.3390/ma15051739.
• [2] Baczyński, D.; Piotrowski, P. A one day ahead forecasting of twenty-four-hour electric energy production for wind turbine. Prz. Elektrotechniczny 2014, 9.
• [3] Czapaj, R.; Szablicki, M.; Rzepka, P.; Sołtysik, M. Short-term forecasting of demand and generation profiles in energy clusters. Przegląd Elektrotechniczny 2019, 95, 137–140.
• [4] Dudek G.: Krótkoterminowe prognozowanie obciążenia systemu elektroenergetycznego z zastosowaniem sieci neuronowych o radialnych funkcjach bazowych, Materiały Konferencyjne PE2000, Częstochowa 2000.
• [5] Energy Market Information Center. National Electricity Demand in 2020. Available online: https://www.cire.pl/item,krajowe-zapotrzebowanie-na-energie-elektryczna-w-2020-r.html (accessed on 12 April 2021).
• [6] Energy Regulatory Office. Renewable Energy Sources. Available online: (https://www.ure.gov.pl/pl/oze/potencjal-krajowy-oze/5753,Moc-zainstalowana-MW.html (accessed on 10 April 2022).
• [7] ENTSO-E Transparency Platform. Available online: https://transparency.entsoe.eu/ (accessed on 10 April 2021).
• [8] El-Hendawi, M.; Wang, Z.L. An ensemble method of full wavelet packet transform and neural network for short term electrical load forecasting. Electr. Power Syst. Res. 2020, 182.
• [9] Goldberg, Y.; Elhadad, M. splitSVM: Fast, space-efficient, non-heuristic, polynomial kernel computation for NLP applications. In Proceedings of the ACL-08: HLT, Short Papers, Columbus, OH, USA, 16–17 June 2008; pp.237-240.
• [10] Hossa, T.; Sokołowska, W.; Fabisz, K.; Filipowska, A. Forecasting wind power generation using local methods and the nonlinear regression. Rynek Energii 2014, 2, 61–68.
• [11] Jacobson, M.Z.; Delucchi, M.A. Providing all global energy with wind, water, and solar power, Part I: Technologies, energy resources, quantities and areas of infrastructure, and materials. Energy Policy 2011, 39, 1154-1169.
• [12] Karkoszka, K. Forecasting methodologies of the electrical power generation from wind farms for the purpose of operation and balancing of power systems. Bull. Miner. Energy Econ. Res. Inst. Polish Acad. Sci. 2010, 78, 75-86.
• [13] Keerthi, S.S.; Lin, C.-J. Asymptotic behaviors of support vector machines with Gaussian kernel. Neural Comput. 2003, 15, 1667–1689.
• [14] Kwon, B.S.; Park, R.J.; Song, K.B. Short-Term Load Forecasting Based on Deep Neural Networks Using LSTM Layer. J. Electr. Eng. Technol. 2020, 15, 1501–1509.
• [15] Lin, Z.; Liu, X.L. Wind power forecasting of an offshore wind turbine based on high-frequency SCADA data and deep learning neural network. Energy 2020, 201.
• [16] Lin, H.-T.; Lin, C.-J. A study on sigmoid kernels for SVM and the training of non-PSD kernels by SMO-type methods. Submitt. Neural Comput. 2003, 3, 16.
• [17] Liu, X.; Zhang, Z.J.; Song, Z. A comparative study of the data-driven day-ahead hourly provincial load forecasting methods: From classical data mining to deep learning. Renew. Sustain. Energy Rev. 2020, 119.
• [18] Malko J., 2008 – Predykcja Mocy Wytwórczych Elektrowni Wiatrowych. Przegląd Elektrotechniki 9, s. 65–67.
• [19] Malska, W.; Mazur, D. Analysis of the impact of wind speed for power generation on the example of wind farm. Przegląd Elektrotechniczny 2017, 93, 54–57.
• [20] Niekurzak M., Kubińska-Jabcoń E. Analysis of the Return on Investment in Solar Collectors on the Example of a Household: The Case of Poland. Front. Energy Res. 2021, vol. 9, no. 660140, 1-12. doi: 10.3389/fenrg.2021.660140.
• [21] Niekurzak M. The Potential of Using Renewable Energy Sources in Poland Taking into Account the Economic and Ecological Conditions. Energies 2021, 14, 7525. https://doi.org/10.3390/en14227525.
• [22] Popławski, T.; Dąsal, K.; Łyp, J. Problems related to forecasting of power and electric energy derived from wind. Energy Policy J. 2009, 12, 511–523.
• [23] Popławski, T.; Szeląg, P. Use of Hurst exponent to predict instability of wind generation. Rynek Energii 2014, 5, 116–120.
• [24] PSE Capital Group. Polish Power System-Report 2020. Available online: https://www.pse.pl/danesystemowe/funkcjonowanie-kse/raporty-roczne-z-funkcjonowania-kse-za-rok/raporty-za-rok-2020#t1_1 (accessed on 12 April 2021).
• [25] PSE Capital Group. Available online: https://www.pse.pl (accessed on 26 April 2022).
• [26] Rasmussen, C.; Williams, C. Gaussian Processes for Machine Learning; The MIT Press: Cambridge, MA, USA, 2006; Volume 38, pp. 715–719.
• [27] Renewable Energy Integration: Practical Management of Variability, Uncertainty, and Flexibility in Power Grids, 2nd ed.; Academic Press: Cambridge, MA, USA, 2017; pp. 1–462.
• [28] Rubanowicz, T. Wind Power Generation Forecasting; Gdańsk University of Technology: Gdańsk, Poland, 2019.
• [29] Santhosh, M.; Venkaiah, C.; Vinod Kumar, D.M. Current advances and approaches in wind speed and wind power forecasting for improved renewable energy integration: A review. Eng. Rep. 2020, 2, e12178.
• [30] Taylor, K.E. Summarizing multiple aspects of model performance in a single diagram. J. Geophys.Res. Atmos. 2001, 106, 7183–7192.
• [31] Vapnik, V.N. The Nature of Statistical Learning Theory; Springer: Berlin/Heidelberg, Germany, 1995.
• [32] Yan, J.; Liu, Y.Q.; Han, S.; Wang, Y.M.; Feng, S.L. Reviews on uncertainty analysis of wind power forecasting. Renew. Sustain. Energy Rev. 2015, 52, 1322–1330.
• [33] Yang, M.; Shi, C.; Liu, H. Day-ahead wind power forecasting based on the clustering of equivalent power curves. Energy 2021, 218, 119515.
• [34] Zheng, D.; Shi, M.; Wang, Y.; Eseye, A.T.; Zhang, J. Day-ahead wind power forecasting using a two-stage hybrid modeling approach based on scada and meteorological information, and evaluating the impact of input-data dependency on forecasting accuracy. Energies 2017, 10, 1988.
• [35] Üstün, B.; Melssen, W.J.; Buydens, L.M. Facilitating the application of support vector regression by using a universal Pearson VII function based kernel. Chemom. Intell. Lab. Syst. 2006, 81, 29–40.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).