Detailansicht
Ultra-short range predictions of wind speed and gusts using support vector machines
Elisabeth Hartel
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Computational Science
Betreuer*in
Claudia Plant
DOI
10.25365/thesis.56084
URN
urn:nbn:at:at-ubw:1-22749.92348.139761-0
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Arbeit untersucht Support Vector Machines (SVMs) für Ultra-Kurzzeit Vorhersagen (nächste 0-6 Stunden) von Windgeschwindigkeit und Windböen. Vorhersagen werden in einer Zehn-Minuten-Frequenz ausgegeben und sollten innerhalb kürzester Zeit verfügbar sein.
Numerische Vorhersagemethoden, die üblicherweise für meteorologische Vorhersagen benutzt werden, basieren auf physikalischen Prinzipien und benötigen daher lange Rechenzeiten. Aufgrunddessen sind sie nicht für Ultra-Kurzzeit (genannt Nowcasting) Vorhersagen geeignet. Es werden hier nur meteorologische Beobachtungsdaten verwendet. Das Ziel dieser Arbeit ist es, einen Machine Learning Ansatz, Support Vector Regression (SVR), für Punktprognosen von Wind und Böen zu implementieren.
Relevante Features der meteorologischen Beobachtungsdaten für Wind- und Böenvorhersage sind: Windgeschwindigkeit, Böengeschwindigkeit, Windrichtung, Böenrichtung, Sonnenscheindauer, Tageszeit, relative Feuchte und reduzierter Luftdruck. Für das SVR Modell wird eine radiale Basisfunktion als Kernel verwendet und die Hyperparameter werden für jedes Modell einzeln unter Verwendung von Gridsearch optimiert. Eine Auswahl von 24 TAWES (Teilautomatische Wetterstationen) in verschiedenen Regionen Österreichs mit unterschiedlicher Topographie und Klimatologie wird verwendet. Ein Algorithmus zur schrittweisen Featureauswahl anhand von Kreuzvalidierung wird konstruiert, um die besten Features für jeden Standort zu finden. Das Multi-Step Modell ist aus den Modellen der 36 Einzelzeitschrittvorhersagen zusammengesetzt. Der Vorhersagezeitraum ist in drei Zeitfenster aufgeteilt und der Algorithmus zur Featureauswahl wird einmal für jedes der Zeitfenster ausgeführt (für jeweils den ersten Vorhersagezeitpunkt). Zum Vergleich sind zwei Referenzmodelle implementiert: ein Persistenzmodell und ein multiple lineare Regressionsmodell (MLR) mit optimierter Featureauswahl. Die entwickelten SVR Modelle liefern gute Ergebnisse für Böen- und Windvorhersage und benötigen nur geringe Rechenressourcen. Muster von Windböen sind besser repräsentiert als durch statistische Methoden und für die Böenvorhersage können bessere Vorhersagen geliefert werden. Resultate für die Windvorhersage liefern ähnliche Ergebnisse für die SVR and MLR Modelle. Dies könnte allerdings daran liegen, dass der Fokus der Arbeit auf Böenvorhersage war und darauf die Optimierung der SVR fokussiert wurde. Besonders für Nowcasting können wir folgern, dass einfachere Modelle wie MLR manchmal bessere Leistung bringen als komplexere Modelle wie SVR. Das MLR Modell verwendet nur einen Bruchteil der Trainingszeit und bringt Ergebnisse, die sehr nah an den SVR Ergebnissen sind. Für einen Vorhersagezeitraum von zwei Stunden ist eine statistische Methode wie MLR eine gute Alternative zu SVR. Für
längere Vorhersagezeiträume ist der Unterschied zwischen den Methoden größer und das SVR Modell meist besser als MLR.
Verlässliche Böenvorhersagen sind relevant für viele reale Anwendungen, u.a. Windparks, allgemeine Sturmwarnungen und Gefahrenwarnung für Motorrad- und Autofahrer auf freiliegenden Straßen. Bevor diese Prototypen in jegliche Art von Echtzeitvorhersagen integriert werden können, müssen sie rekalibriert werden, da Wetterphänomene sich mit dem Klimawandel verändern.
Abstract
(Englisch)
In this thesis support vector machines (SVMs) are investigated for ultra-short range predictions (next 0-6 hours) of wind speed and wind gusts. Predictions are provided with a ten-minute frequency and should be computationally fast. Numerical forecasting methods commonly used for meteorological forecasting are based on physical principles and therefore require long computation times. Thus, they are not suitable for ultra-short range (called nowcasting) predictions and only meteorological observation data is used here. The aim of this thesis is to evaluate a machine learning approach, support vector regression (SVR), for point forecasts of wind speed and gusts.
Features of the meteorological observation data found to be relevant for prediction of wind speed and gusts are: wind speed, wind gusts, wind direction, gust direction, sunshine duration, time of day, relative humidity, and reduced pressure. For the SVR models a radial basis function is used as kernel function and hyperparameters are optimized individually for each model via grid search. A selection of 24 TAWES sites (semi-automatic weather station) in different Austrian regions with varying topography and climatology is used. A step-wise feature selection algorithm is built to find the best feature selection for each testing site based on the training cross-validation score. The multi-step model is composed of one model for each of the 36 time steps (six hours total). The forecasting horizon is split into three time frames and the feature selection algorithm is run once for each (for the first time step of the time frame). For comparison baseline models are implemented: a persistence approach and a multiple linear regression model (MLR) with optimized feature selection. The SVR models give good results for both gust and wind predictions and are computationally fast. They perform better in predicting patterns in wind gusts compared to statistical methods. Improvement of forecasts carried out with SVR compared to forecasts done with MLR are greater during the summer test month than during the winter test month. SVR models perform better for gust predictions than for wind speed predictions, which might be due to optimization being focused on gust prediction models. For the nowcasting range, we can conclude that simpler models like MLR sometimes outperform complex models like SVR. The MLR model takes a fraction of the training time and performs almost as good as SVR. For a time horizon of two hours, a statistical method like MLR could be a very good alternative to SVR. For longer time horizons the improvement of forecasts is greater and a SVR model usually performs better than MLR.
Reliable gust prediction is of importance for many real-world applications like wind energy parks, general storm alerts, as well as warnings for drivers of vehicles on exposed roads. Before these prototypes are implemented for any kind of operational use (real-time forecasts), they need to be re-calibrated as weather phenomena do change depending on climate change.
Schlagwörter
Schlagwörter
(Englisch)
wind gust prediction wind speed prediction support vector regression multiple linear regression persistence method time series nowcasting multi-step forecasting feature selection
Schlagwörter
(Deutsch)
Windvorhersage Böenvorhersage Support Vector Regression Multiple Lineare Regression Persistenz Methode Zeitreihen Nowcasting Multi-Step Vorhersage Featureauswahl
Autor*innen
Elisabeth Hartel
Haupttitel (Englisch)
Ultra-short range predictions of wind speed and gusts using support vector machines
Paralleltitel (Deutsch)
Ultra-Kurzzeit Vorhersagen von Windgeschwindigkeit und Böen mit Support Vector Machines
Publikationsjahr
2018
Umfangsangabe
73 Seiten : Illustrationen, Diagramme
Sprache
Englisch
Beurteiler*in
Claudia Plant
AC Nummer
AC15511502
Utheses ID
49541
Studienkennzahl
UA | 066 | 910 | |