Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Using Unsupervised Machine Learning for Outlier Detection in Data to Improve Wind Power Production Prediction
KTH, School of Computer Science and Communication (CSC).
2017 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Användning av oövervakad maskininlärning för outlier-identifikation i data för att förbättra prediktioner av vindkraftsproduktion (Swedish)
Abstract [en]

The expansion of wind power for electrical energy production has increased in recent years and shows no signs of slowing down. This unpredictable source of energy has contributed to destabilization of the electrical grid causing the energy market prices to vary significantly on a daily basis. For energy producers and consumers to make good investments, methods have been developed to make predictions of wind power production.

These methods are often based on machine learning were historical weather prognosis and wind power production data is used. However, the data often contain outliers, causing the machine learning methods to create inaccurate predictions.

The goal of this Master’s Thesis was to identify and remove these outliers from the data so that the accuracy of machine learning predictions can improve. To do this an outlier detection method using unsupervised clustering has been developed and research has been made on the subject of using machine learning for outlier detection and wind power production prediction.

Abstract [sv]

Vindkraftsproduktion som källa för hållbar elektrisk energi har på senare år ökat och visar inga tecken på att sakta in. Den här oförutsägbara källan till energi har bidragit till att destabilisera elnätet vilket orsakat dagliga kraftiga svängningar i priser på elmarknaden. För att elproducenter och konsumenter ska kunna göra bra investeringar har metoder för att prediktera vindkraftsproduktionen utvecklats.

Dessa metoder är ofta baserade på maskininlärning där historiska data från väderleksprognoser och vindkraftsproduktion använts. Denna data kan innehålla så kallade outliers, vilket resulterar i försämrade prediktioner från maskininlärningsmetoderna.

Målet med det här examensarbetet var att identifiera och ta bort outliers från data så att prediktionerna från dessa metoder kan förbättras. För att göra det har en metod för outlier-identifikation utveklats baserad på oövervakad maskininlärning och forskning har genomförts på områdena inom maskininlärning för att identifiera outliers samt prediktion för vindkraftsproduktion.

Place, publisher, year, edition, pages
2017.
Keywords [en]
Machine learning, Outlier detection, Data analysis, Wind power prediction
National Category
Computer Sciences
Identifiers
URN: urn:nbn:se:kth:diva-200336OAI: oai:DiVA.org:kth-200336DiVA, id: diva2:1068236
External cooperation
Expektra
Subject / course
Computer Science
Educational program
Master of Science in Engineering - Electrical Engineering
Supervisors
Examiners
Available from: 2017-02-02 Created: 2017-02-02 Last updated: 2018-01-13Bibliographically approved

Open Access in DiVA

Thesis(1702 kB)304 downloads
File information
File name FULLTEXT02.pdfFile size 1702 kBChecksum SHA-512
ab20afd823d70b62b09bda7613e3ae8d89d50d7feb6808169e44583b202838aea1503466b1bae448e4b2c5ddd59dbdbab6ffb540a70aa895ae6053d1872dce04
Type fulltextMimetype application/pdf

Search in DiVA

By author/editor
Åkerberg, Ludvig
By organisation
School of Computer Science and Communication (CSC)
Computer Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 304 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 572 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf