[논문 리뷰] A three-stage model for short-term extreme wind speed probabilistic forecasting

Daniela Castro‐Camilo, Raphaël Huser외 1명|arXiv (Cornell University)|2018. 10. 09.

Energy Load and Power Forecasting참고 문헌 29인용 수 1

한 줄 요약

이 논문은 극단적이고 비극단적인 단기 바람 속도를 동시에 예측하기 위해 스플라이스드 감마-일반화된 페아레토 분포를 조합한 삼단계 잠재 가우시안 모델을 제안한다. 효율적인 추론과 유연한 가산 예측자를 위한 통합 내재 라플라스 근사(INLA)를 사용하여, 모델은 바람 속도 분포의 주요 부분과 꼬리 부분을 모두 포착하며, 풍력 터빈의 안전성과 전력망 안정성에 핵심적인 정확한 확률 예측을 가능하게 한다.

ABSTRACT

Renewable sources of energy such as wind power have become a sustainable alternative to fossil fuel-based energy. However, the uncertainty and fluctuation of the wind speed derived from its intermittent nature bring a great threat to the wind power production stability, and to the wind turbines themselves. Lately, much work has been done on developing models to forecast average wind speed values, yet surprisingly little has focused on proposing models to accurately forecast extreme wind speeds, which can damage the turbines. In this work, we develop a flexible spliced Gamma-Generalized Pareto model to forecast extreme and non-extreme wind speeds simultaneously. Our model belongs to the class of latent Gaussian models, for which inference is conveniently performed based on the integrated nested Laplace approximation method. Considering a flexible additive regression structure, we propose two models for the latent linear predictor to capture the spatio-temporal dynamics of wind speeds. Our models are fast to fit and can describe both the bulk and the tail of the wind speed distribution while producing short-term extreme and non-extreme wind speed probabilistic forecasts.

연구 동기 및 목표

• 풍력 터빈의 무결성과 전력망 안정성에 중대한 위협이 되는 극단 바람 속도의 확률 예측에 초점을 맞춘 모델의 부족을 해결한다.
• 비극단적이고 극단적인 바람 속도 분포를 동시에 모델링함으로써 예측 정확도를 향상시키는 통합 프레임워크를 개발한다.
• 효율적인 계산 방법을 통해 공간-시간 바람 속도 역학에 대한 빠르고 신뢰할 수 있는 추론을 가능하게 한다.
• 극단적인 꼬리 행동을 포함한 바람 속도의 전체 분포적 행동을 포착하기 위해 극단가치이론과 민감한 회귀 구조를 통합한다.

제안 방법

• 비극단적 바람 속도를 위한 감마 분포와 극단적 값을 위한 일반화된 페아레토 분포(GPD)를 조합한 민감한 스플라이스드 분포를 제안하며, 임계값에서의 연속성을 확보한다.
• 잠재 가우시안 모델 클래스 내에서 모델을 설정하여 통합 내재 라플라스 근사(INLA) 방법을 통해 효율적인 추론을 가능하게 한다.
• 공간-시간 의존성을 바람 속도 데이터에 모델링하기 위해 잠재 선형 예측자에 대한 가산 회귀 구조를 사용한다.
• 시간적 추세, 일일 주기, 바람 속도 역학의 공간적 변동성을 포착하기 위해 민감한 공변량과 스무딩 함수를 통합한다.
• 잠재 가우시안 설정 하에서 통합 가능도 프레임워크를 사용해 감마 및 GPD 성분의 매개변수를 동시에 추정한다.
• 계산 비용이 높은 MCMC 샘플링을 피하기 위해 단기 예측에 적합한 계산 효율성과 확장성을 확보한다.

실험 결과

연구 질문

• RQ1 단기 예측 기간 동안 하나의 확률 모델이 비극단적이고 극단적인 바람 속도를 효과적으로 예측할 수 있는가?
• RQ2 단변량 모델에 비해 스플라이스드 감마-GPD 분포가 바람 속도 전체 분포를 얼마나 더 정확하게 표현할 수 있는가?
• RQ3 잠재 가우시안 모델 내의 가산 예측자가 복잡한 공간-시간 패턴을 유지하면서도 계산 효율성을 확보할 수 있는가?
• RQ4 기존의 극단 바람 속도 예측 모델에 비해 제안된 모델의 예측 성능은 어떠한가?

주요 결과

• 제안된 삼단계 모델은 바람 속도 분포의 주요 부분과 꼬리 부분을 성공적으로 포착하여 종합적인 확률 예측을 가능하게 한다.
• 통합 내재 라플라스 근사(INLA)의 사용은 빠르고 정확한 추론을 가능하게 하여, 실시간 또는 운영용 예측에 적합한 모델임을 입증한다.
• 스플라이스드 감마-일반화된 페아레토 모델은 극단적 바람 속도를 더 정확하게 표현하며, 극단을 별도로 처리하거나 꼬리 행동을 忽略하는 모델보다 우수하다.
• 잠재 선형 예측자 내의 민감한 가산 구조는 바람 속도의 시간적 및 공간적 변동성을 효과적으로 모델링하여 예측 신뢰도를 향상시킨다.
• 모델은 높은 계산 효율성을 달성하여 정확도를 희생시키지 않고도 빠른 피팅과 단기 예측을 가능하게 한다.
• 이 프레임워크는 풍력 에너지 시스템에서 터빈 보호 및 전력망 통합 향상에 강력한 잠재력을 보여준다.