Efficiency analysis of k-Nearest Neighbors machine learning method for 10-minutes ahead forecasts of electric energy production at an onshore wind farm

• Autorzy: Rutyna Inajara , Piotrowski Paweł

Identyfikatory

DOI

10.15199/48.2024.01.31

Warianty tytułu

PL

Analiza efektywności metody uczenia maszynowego k-Nearest Neighbors dla prognoz produkcji energii elektrycznej z 10-minutowym wyprzedzeniem w lądowej farmie wiatrowej

• Języki publikacji: EN

Abstrakty

EN

This paper presents tests of the effectiveness of the K-Nearest Neighbors (KNN) machine learning technique for short-term forecasting of energy production at an onshore wind farm with a horizon of 10 minutes. The tests were performed for several variants of input variables to KNN models (only backward variables of the forecasted time series and the use of additional exogenous input variables - meteorological data). For each of the variants, the selection of an appropriate number of k was performed using the cross-validation method, separately for each of the distance measures tested. Analyses were performed of the found k values depending on the variant of the input variables and the distance measure. Conclusions and observations of the performed tests were formulated.

PL

W artykule przedstawiono testy skuteczności techniki uczenia maszynowego k najbliższych sąsiadów (K-Nearest Neighbors - KNN) do krótkoterminowego prognozowania produkcji energii na farmie wiatrowej lądowej z horyzontem 10 minut. Badania wykonano dla kilku wariantów zmiennych wejściowych do modeli KNN (tylko zmienne cofnięte prognozowanego szeregu czasowego oraz zastosowanie dodatkowych zmiennych wejściowych egzogenicznych – dane meteorologiczne). Dla każdego z wariantów wykonano dobór właściwej liczby k metodą walidacji krzyżowej, osobno dla każdej z testowanych miar odległosci. Wykonano analizy znalezionych wartości k w zależności od wariantu zmiennych wejściowych oraz miary odległości. Sformułowano wnioski i spostrzeżenia z wykonanych badań.

Słowa kluczowe

EN

wind farm; forecasting; machine learning; k-nearest neighbor

PL

farma wiatrowa; prognozowanie; k-najbliższych sąsiadów; uczenie maszynowe

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2024
• Tom: R. 100, nr 1
• Strony: 147--150
• Opis fizyczny: Bibliogr. 18 poz., rys., tab.

Twórcy

autor

Rutyna Inajara

• Warsaw University of Technology, Electrical Power Engineering Institute, Koszykowa 75, 00-662 Warsaw, Poland

• https://orcid.org/0000-0001-8086-6231

autor

Piotrowski Paweł

• Warsaw University of Technology, Electrical Power Engineering Institute, Koszykowa 75, 00-662 Warsaw, Poland

• https://orcid.org/0000-0002-1582-0912

Bibliografia

• [1] Baczyński D., Parol M., Piotrowski P., Współczesne problemy prognozowania w elektroenergetyce. Zagadnienia wybrane, Pod redakcją naukową Mirosława Parola, OWPW, (2020)
• [2] Popławski T., Problematyka prognoz generacji wiatrowej w KSE, Przegląd Elektrotechniczny, 90 (2014), nr 7, 119-122
• [3] Piotrowski P., Rutyna I., Baczyński D., Kopyt M., Evaluation Metrics for Wind Power Forecasts: A Comprehensive Review and Statistical Analysis of Errors, Energies 15(24) (2022), 1-38
• [4] Piotrowski P., Baczyński D., Kopyt M., Szafranek K., Helt P., Gulczyński T., Analysis of forecasted meteorological data (NWP) for efficient spatial forecasting of wind power generation, Electric Power Systems Research, 175 (2019), 1-9
• [5] Piotrowski P., Baczyński D., Prognozowanie dobowej produkcji energii elektrycznej przez turbinę wiatrową z horyzontem 1 doby, Przegląd Elektrotechniczny, 90 (2014), nr 9, 113-117
• [6] Piotrowski P., Analiza statystyczna danych mających wpływ na produkcję energii elektrycznej przez farmę wiatrową oraz przykładowe prognozy krótkoterminowe, Przegląd Elektrotechniczny, 88 (2012), nr 3a, 161-164
• [7] Popławski T., Weżgowiec M., Implementacja informatyczna modelu trendu pełzającego do prognozowania mocy farm wiatrowych, Przegląd Elektrotechniczny, 93 (2017), nr 2, 246- 249
• [8] Popławski T.,Dąsal K., Łyp J., Szeląg P., Zastosowanie modeli ARMA do przewidywania mocy i energii pozyskiwanej z wiatru, Polityka Energetyczna, T.13 z.2, 2010, 385-400
• [9] Gholamreza M., Farshid K., A new short-term wind speed forecasting method based on fine-tuned LSTM neural network and optimal input sets, Energy Conversion and Management, 2013 (2020), 1-15
• [10] Kejun W., Xiaoxia Q., Hongda L., Jiakang S., Deep belief network based k-means cluster approach for short-term wind power forecasting, Energy, 165 (2018), 840-852
• [11] Piotrowski P., Baczyński D., Kopyt M, Gulczyński T., Advanced Ensemble Methods Using Machine Learning and Deep Learning for One-Day-Ahead Forecasts of Electric Energy Production in Wind Farms, Energies 15(4) (2022), 1-30
• [12] Piotrowski P., Kopyt M., Baczyński D., Robak S., Gulczyński T., Hybrid and Ensemble Methods of Two Days Ahead Forecasts of Electric Energy Production in a Small Wind Turbine, Energies 14(5) (2021), 1-25
• [13] Kopyt M., Power Flow Forecasts: A Status Quo Review. Part 1: RES Generation Prediction, Przegląd Elektrotechniczny, 96 (2020), no. 11, 1-4
• [14] Oveis A., Mohamed L., Mehdi B., Behrouz S., Miadreza S., Improved EMD-Based Complex Prediction Model for Wind Power Forecasting, IEEE Transaction on Sustainable Energy, 11 (2020), no. 4, 2790-2802
• [15] Hao Y., Zuhong O., Shengquan H., Anbo M., A cascaded deep learning wind power prediction approach based on a two layer of mode decomposition, Energy, 189 (2019), 1-11
• [16] Dudek G., Janicki M., Nearest Neighbour Model with Weather Inputs for Pattern-based Electricity Demand Forecasting, Przegląd Elektrotechniczny, 93 (2017), no. 3, 7-10
• [17] Dudek G., Pełka P., Prognozowanie miesięcznego zapotrzebowania na energię elektryczną metodą k najbliższych sąsiadów, Przegląd Elektrotechniczny, 93 (2017), nr 4, 62-65
• [18] https://www.sotaventogalicia.com/en/technical-area/real-time-data/historical/ (Accessed 2023-02-01)

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).