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
The relationship between weather forecasts and observations for predicting electricity output from wind turbines
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
Förhållandet mellan väderprognoser och observationer för att förutsäga elproduktion från vindkraftverk (Swedish)
Abstract [en]

Wind power production is of growing importance to many countries around the world. To improve reliability and power grid stability related to wind power, forecasting of wind power is becoming an important commercial and research area. Machine learning methods are considered to be highly valuable when making predictions on time series data and as such have become prominent within wind forecasting as well.

This thesis extends an existing neural network prediction system with new input data series, in particular the observed wind speed from the wind farm itself. The goal was to investigate the effect this new data series has, and whether or not it could be used to improve predictions as compared to the baseline prediction system defined within this thesis.

To do this multiple methods of including the observed wind speed are developed, including a multi-stage network concept. These results are statistically tested to give more evidence for their comparison to baseline. The results show that the multi-stage network concept can use the observed wind speed to improve performance over the baseline case for specific prediction horizons.

Abstract [sv]

Betydelsen för vindkraftsproduktion växer i länder runt om i världen. För att förbättratillförlitligheten och elnätstabiliteten i vindkraften blir dess prognoser viktiga kommersielltoch ett forskningsområde. Maskininlärningsmetoder anses vara mycket värdefullanär man gör förutsägelser om tidsseriedata och har därmed framträdat inom vindprognoser.

Detta arbete utökar ett existerande prediktionssystem av neurala nätverk med ny indata,med särskilt den observerade vindhastigheten från själva vindkraftparken. Måletvar att undersöka effekten av denna nya dataserie, och huruvida den skulle kunna användasför att förbättra förutsägelserna jämfört med det befintliga referensprognossystemetdefinierat i denna uppsats.

För att kunna göra detta utvecklas flera metoder för att inkludera den observeradevindhastigheten, inklusive ett flerstegs nätverkskoncept. Dessa resultat är statistiskt testadeför att ge mer grund i deras jämförelse med referensmodellen. Resultaten visar att detflerstega nätverkskonceptet kan använda den observerade vindhastigheten för att förbättraprestanda över referensmodellen för specifika prediktionshorisonter.

Place, publisher, year, edition, pages
2017. , p. 78
Keywords [en]
machine learning, wind power prediction, neural networks
National Category
Computer Sciences
Identifiers
URN: urn:nbn:se:kth:diva-215651OAI: oai:DiVA.org:kth-215651DiVA, id: diva2:1148651
External cooperation
Expektra AB
Supervisors
Examiners
Available from: 2017-10-19 Created: 2017-10-11 Last updated: 2018-01-13Bibliographically approved

Open Access in DiVA

fulltext(6509 kB)73 downloads
File information
File name FULLTEXT01.pdfFile size 6509 kBChecksum SHA-512
96915164bca2bf41d1cfbc0cce6bfc9ff2abb53a6745b1524d28be2be61d5f2d90a5379b83a84a770aabb1ef2a866b02dbb81860fdb547dc6c9a669b2776ae7a
Type fulltextMimetype application/pdf

By organisation
School of Computer Science and Communication (CSC)
Computer Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 73 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: 498 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