Heinermann, Justin Philipp (2016) Wind Power Prediction with Machine Learning Ensembles. PhD, Universität Oldenburg.

Preview

Volltext (2828Kb)

Abstract

For a sustainable integration of wind power into the electricity grid, precise and robust predictions are required. Machine learning methods can be used as purely data-driven, spatio-temporal prediction models that yield better results than traditional physical models based on weather simulations. The objectives of this thesis are the improvement of prediction errors and the reduction of computation times. This thesis proposes a robust and practical prediction framework based on ensembles, which combines the predictions of numerous and preferably diverse models. A comprehensive experimental evaluation shows that the combination of different techniques to an ensemble outperforms state-of-the-art prediction models while requiring shorter computation times. For model selection we employ evolutionary multi-objective optimization algorithms. The methods offer an efficient and comfortable balancing of preferably low prediction errors and moderate computational costs.

["eprint_fieldname_title_plus" not defined]

Windleistungsprognosen mit Machine Learning Ensembles

["eprint_fieldname_abstract_plus" not defined]

Die Integration von Windenergieanlagen in das Stromnetz erfordert präzise und verlässliche Prognosemethoden. Für Kurzfristprognosen bieten maschinelle Lernverfahren die Möglichkeit einer rein datenbasierten, raumzeitlichen Prognose, die oft bessere Ergebnisse erzielt als die traditionellen numerischen Wetterprognosen. Die Ziele dieser Arbeit sind eine weitere Steigerung der Prognosegüte sowie die effiziente Berechnung in angemessener Zeit. Hierzu wird ein Vorhersageframework vorgestellt, das auf Ensemblemodellen basiert und eine Vielzahl möglichst unterschiedlicher Modelle kombiniert. Es wird gezeigt, dass Ensembles mit unterschiedlichen Vorhersagealgorithmen eine verbesserte Prognosegenauigkeit im Vergleich zum Stand der Technik aufweisen, während auch die Berechnungszeiten stark verkürzt werden. Für die Optimierung des Modells kommt in dieser Arbeit evolutionäre Mehrzieloptimierung zum Einsatz, die eine effiziente Parametersuche gewährleistet.

Item Type:	Thesis (PhD)
Uncontrolled Keywords:	Machine Learning, Ensemble, Wind Power Prediction, Multi-Objective Optimization
Subjects:	Generalities, computers, information > Computer science, internet
Divisions:	School of Computing Science, Business Administration, Economics and Law > Department of Computing Science
Date Deposited:	19 Dec 2016 15:44
Last Modified:	19 Dec 2016 15:44
URI:	https://oops.uni-oldenburg.de/id/eprint/2893
URN:	urn:nbn:de:gbv:715-oops-29740
DOI:
Nutzungslizenz:

Actions (login required)

View Item