Detailansicht

Short-range wind speed prediction using a kernel-based support vector machine in Austria
Sahebeh Dadboud
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Computational Science
Betreuer*in
Claudia Plant
Volltext herunterladen
Volltext in Browser öffnen
Alle Rechte vorbehalten / All rights reserved
DOI
10.25365/thesis.63839
URN
urn:nbn:at:at-ubw:1-27766.54158.848253-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)

Abstracts

Abstract
(Deutsch)
Aufgrund der Abhängigkeiten der Windgeschwindigkeit von der Topographie, den vorherrschenden Wetterbedingungen, der atmosphärischen Dynamik und schnellen Veränderungen des atmosphärischen Zustands ist die Vorhersage der Windgeschwindigkeit schwierig. Verwandte Arbeiten demonstrieren, dass Support Vector Regression (SVR) die Kurzfristvorhersage der Windgeschwindigkeit verbessern können. Das übergeordnete Ziel dieser Arbeit besteht darin, zuverlässige Punktvorhersagen (d.h. Vorhersagen für einen bestimmten Ort) der Windgeschwindigkeit von bis zu zwei Tagen in stündlicher Auflösung bereitzustellen. Für jeden Standort stehen Beobachtungsdaten, aktualisiert in 10-Minuten-Takt, sowie stündliche Vorhersagen von numerischen Wettervorhersagemodellen (NWP, z.B.: AROME, ein hochauflösende NWP-Modell für die Alpenregion) zur Verfügung. Aufgrund des hohen Rechenaufwands sind die Vorhersagen von NWP-Modellen jedoch erst mehrere Stunden nach ihrer Initialisierung abrufbar. Um genauere Kurzfristvorhersagen von den nächsten 48 Stunden zu erhalten, kombinieren wir die Beobachtung mit den aktuellsten AROME-Vorhersagen mit einem SVM-basierten Algorithmus (Support Vector Machine). Dazu gehen wir in zwei Schritten vor: (I) Wir entwerfen eine kernelbasierte Support Vector Regression (SVR), die allgemeine Beziehungen in den ausgewählten Zeitreihendaten identifiziert. (II) Wir validieren die Vorhersagequalität mithilfe des Persistenz- und dem aktuell verfügbaren AROME-Modell für eine Fallstudie von 28 Beobachtungsstellen in verschiedenen österreichischen Regionen mit unterschiedlicher Topographie und Klimaregion für die Testepisode von einem Monat (Januar 2017). Die Anwendung von SVR auf die Windgeschwindigkeitsvorhersage erfordert die Optimierung einiger Parametern. Für das SVR-Modell wurden verschiedene Kernel wie Linear, Sigmoid und RBF verwendet und verglichen. Um die Ergebnisse zu optimieren, wurden verschiedene feature selection Methoden zur Dimensionsreduktion angewendet, wie zum Beispiel Hauptkomponentenanalyse (PCA), mutual information (MI), Pearson-Korrelation und SHAP (shapley additive explanations). Aufgrund der hohen Rechenzeit beim Training des SVR werden die 20 wichtigsten Merkmale für jede Prognosestunde und Station ausgewählt. Die Optimierung der Parameter mithilfe von Grid Search wurde für eine repräsentative Station durchgeführt und auf alle übrigen 27 Zielstationen angewendet. Das SVR-Modell liefert Verbesserungen im Vergleich zu den anderen Modellen. Für den Nowcasting-Bereich (bis zu ca. +6 Stunden) können Basismodelle, wie das Persistenzmodell, in einigen Fällen bessere Ergebnisse als komplexe Modelle, wie SVR, erzielen. Im Persistenzmodell wird die aktuellste Windgeschwindigkeitsmessung des Standorts einbezogen und liefert eine rechnerisch effiziente Prognose für alle Vorhersagestunden. Experimentelle Ergebnisse zeigen jedoch, dass SVR eine geeignete Technik für die Kurzfristvorhersage der Windgeschwindigkeit darstellt
Abstract
(Englisch)
Predicting wind speed is challenging due to its dependency on the topography, prevailing weather conditions, and atmospheric dynamics and its rapid changes. Recent studies have shown that support vector regression (SVR) has potentials in wind speed prediction. This thesis's overall objective is to provide reliable point predictions (i.e., tailored forecasts for a particular location) of the wind speed up to two days ahead in hourly resolution. For each location, observation data with 10 minutes update frequency and hourly numerical weather prediction (NWP) model output, such as the high-resolution NWP model for the alpine region AROME, are available. However, due to the high computational complexity, the forecasts of NWP models are delayed by several hours. To obtain more accurate forecasts in the short-range of up to 48 hours ahead, we combine the observation with the lagged AROME forecasts with a support vector machine (SVM) based algorithm. In particular, we proceed in two steps: (I) we design a kernel-based support vector regression (SVR) identifying general relations in the selected time series data; (II) we validate its performance with the Persistence and the lagged AROME model for a case-study of 28 observation sites located in different Austrian regions with varying topography and climatology for the testing episode of one month, January 2017. Applying SVR for wind speed prediction requires optimizing a set of parameters. For the SVR model, different kernels such as linear, sigmoid, and RBF were used and compared. To optimize results, various \emph{feature selection} methods for dimensionality reduction were applied, such as principal component analysis (PCA), mutual information (MI), Pearson correlation, and SHAP (shapley additive explanations). Due to high computational time in training SVR, we decided to select the 20 most essential features in every individual forecast hour for each station. We carried out parameter optimization via Grid Search for one representative station, and applied the result to all other 27 target stations. The SVR model outperforms other models in predicting wind speed. For nowcasting range (up to about 6 hours), basic models like the Persistence model, in some cases, outperform complex models like SVR. In the Persistence model, the most current wind speed measurement of the location is included and, it provides a computationally efficient forecast for all forecast hours. However, experimental results indicate that SVR is a suitable technique for performing short-range wind speed predictions.

Schlagwörter

Schlagwörter
(Englisch)
Machine Learning Support Vector Machine
Schlagwörter
(Deutsch)
Machine Learning Support Vector Machine
Autor*innen
Sahebeh Dadboud
Haupttitel (Englisch)
Short-range wind speed prediction using a kernel-based support vector machine in Austria
Paralleltitel (Deutsch)
Vorhersage der Windgeschwindigkeit auf kurze Distanz mit einer kernelbasierten Support Vector Machine in Österreich
Publikationsjahr
2020
Umfangsangabe
83 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Claudia Plant
Klassifikation
54 Informatik > 54.70 Computermethodik: Allgemeines
AC Nummer
AC16173572
Utheses ID
56638
Studienkennzahl
UA | 066 | 910 | |
Universität Wien, Universitätsbibliothek, 1010 Wien, Universitätsring 1