Detailansicht
A deep convolutional RNN model for spatio-temporal prediction of wind speed extremes in the short-to-medium range for wind energy applications
Daan Scheepens
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Computational Science
Betreuer*in
Claudia Plant
DOI
10.25365/thesis.70951
URN
urn:nbn:at:at-ubw:1-14647.82427.114245-2
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die Menge der Windfarms und der Windstromproduktion in Europa, sowohl on- als auch off-shore, hat in den letzten Jahren stark zugenommen. Um Netzstabilität sicherzustellen, die Gebühren im Energiehandel zu senken und die rechtzeitige Planung von Wartungsarbeiten zu gewährleisten, sind präzise Vorhersagen von Windgeschwindigkeit und Windleistung erforderlich. Es ist beson- ders wichtig geworden, die Vorhersagen der Windgeschwindigkeit im kurzen Bereich von ein bis sechs Stunden zu verbessern, da die Windgeschwindigkeitsvariabilität in diesem Bereich die größte betriebliche Herausforderung darstellt. Darüber hinaus sind genaue Vorhersagen extremer Winder- eignisse für Windfarmbetreiber von großer Bedeutung, da diese durch rechtzeitige Kenntnis Schä- den vorbeugen und wirtschaftliche Vorsorge betreiben können. Wir stellen in dieser Arbeit ein auf Deep Convolutional Recurrent Neural Network (RNN) basierendes Regressionsmodell zur raum- zeitlichen Vorhersage von extremen Windgeschwindigkeitsereignissen im kurzen bis mittleren Be- reich vor. Das wird durch die Kombination eines mehrschichtigen Convolutional Long Short-Term Memory (ConvLSTM)-Netzwerks mit Imbalanced Regression Loss erreicht, das Windgeschwindig- keitsvorhersagen in Europa mit einer Vorlaufzeit von 12 Stunden in 1-Stunden-Intervallen liefert. Wir untersuchen die Prognoseleistung bei hochschwelligen Extremereignissen von drei verschiede- nen Imbalanced Regression Loss Functionen und vergleichen sie mit den häufig verwendeten Mean Squared Error (MSE) und dem Mean Absolute Error (MAE) Loss und untersuchen Netzwerkstruk- turen mit einer unterschiedlichen Anzahl an Schichten. Zusätzlich zu dem Beitrag, den diese Arbeit zu Deep Learning für Windenergieanwendungen und Imbalanced Spatio-temporal Regression bie- tet, tragen wir zum Bereich der Vorhersageverifizierung bei, indem wir die Leistung der Vorhersage mit einer umfassenden raum-zeitlichen Verifizierungsstrategie bewerten. Die Ergebnisse indizieren, dass der invers gewichtete mittlere absolute Fehler (W-MAE) für die Vorhersage der in dieser Ar- beit untersuchten extremen Windgeschwindigkeitsereignisse am besten geeignet ist und sowohl den standard MSE als auch den MAE Loss deutlich überholt. Zudem bieten wir mit einer umfassen- den Verifikation des W-MAE-trainierten Modells Einblicke in die maximale Vorlaufzeit sowie die minimale räumliche Auflösung, die eine ausreichende Vorhersagefähigkeit dieses Modells für Extre- mereignisse unterschiedlicher Schwellenwerte garantiert. Diese Masterarbeit wurde im Rahmen des MEDEA-Projektes verfasst, welches vom Österreichischen Klimaforschungsprogramm zur weiteren Erforschung erneuerbarer Energien und meteorologisch induzierter Extremereignisse finanziert wird.
Abstract
(Englisch)
The amount of wind farms and wind power production in Europe, both on- and off-shore, increased rapidly in the past years. To ensure grid stability, on-time (re)scheduling of maintenance tasks and mitigate fees in energy trading, accurate predictions of wind speed and wind power are needed. It has become particularly important to improve wind speed predictions in the short range of one to six hours as wind speed variability in this range has been found to pose the largest operational challenges. Furthermore, accurate predictions of extreme wind events are of high importance to wind farm operators as timely knowledge of these can both prevent damages and offer economic preparedness. We propose in this work a deep convolutional recurrent neural network (RNN) based regression model for the spatio-temporal prediction of extreme wind speed events in the short-to- medium range. This is achieved by combining a multi-layered convolutional long short-term memory (ConvLSTM) network with imbalanced regression loss, providing wind speed forecasts over Europe with a 12 hour lead-time in 1 hour intervals. We investigate forecast performance on high-threshold extreme events of three different imbalanced loss functions and compare them to the commonly used mean squared error (MSE) and mean absolute error (MAE) loss, as well as investigating network structures with various numbers of layers. In addition to the contributions that this work offers to deep learning for wind energy applications and imbalanced spatio-temporal regression, we contribute to the area of forecast verification by assessing forecast performance with an extensive spatio-temporal verification strategy. The results indicate that the inversely weighted mean absolute error (W-MAE) is best suited for the forecasting of the extreme wind speed events investigated in this work and significantly outperforms both the standard MSE and MAE loss. Furthermore, with an extensive verification of the W-MAE-trained model we offer insight into the maximum lead-time, as well as minimum spatial scale, that warrant sufficient forecasting skill of this model for extreme events of varying thresholds. This Master’s thesis was written as a part of the MEDEA project, which is funded by the Austrian Climate Research Program to further research on renewable energy and meteorologically induced extreme events.
Schlagwörter
Schlagwörter
(Deutsch)
Deep Learning Maschinelles Lernen Convolutional RNN Convolutional LSTM Vorhersage von Wind-Extremen Raum-Zeitliche Vorhersagen Prognoseverifikation
Schlagwörter
(Englisch)
Deep Learning Machine Learning Convolutional RNN Convolutional LSTM Extreme Wind Prediction Spatio-Temporal Forecasting Forecast Verification
Autor*innen
Daan Scheepens
Haupttitel (Englisch)
A deep convolutional RNN model for spatio-temporal prediction of wind speed extremes in the short-to-medium range for wind energy applications
Paralleltitel (Deutsch)
Ein Deep Convolutional RNN Modell für raum-zeitliche Vorhersagen von extremen Windereignissen im kurzen bis mittleren Bereich für Windenergie-Anwendungen
Publikationsjahr
2021
Umfangsangabe
iv, 76 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Claudia Plant
AC Nummer
AC16526170
Utheses ID
61812
Studienkennzahl
UA | 066 | 910 | |