[논문 리뷰] SDWPF: A Dataset for Spatial Dynamic Wind Power Forecasting Challenge at KDD Cup 2022

Jingbo Zhou, Xinjiang Lu외 5명|arXiv (Cornell University)|2022. 08. 08.

Energy Load and Power Forecasting인용 수 26

한 줄 요약

이 논문은 공간적 동적 풍력 예측을 위한 SDWPF 데이터셋을 134개 터빈으로 반년간 포함하며 공간 위치와 동적 맥락을 포함하고, Baidu KDD Cup 2022 챌린지용 기본 GRU 솔루션을 제시합니다.

ABSTRACT

The variability of wind power supply can present substantial challenges to incorporating wind power into a grid system. Thus, Wind Power Forecasting (WPF) has been widely recognized as one of the most critical issues in wind power integration and operation. There has been an explosion of studies on wind power forecasting problems in the past decades. Nevertheless, how to well handle the WPF problem is still challenging, since high prediction accuracy is always demanded to ensure grid stability and security of supply. We present a unique Spatial Dynamic Wind Power Forecasting dataset: SDWPF, which includes the spatial distribution of wind turbines, as well as the dynamic context factors. Whereas, most of the existing datasets have only a small number of wind turbines without knowing the locations and context information of wind turbines at a fine-grained time scale. By contrast, SDWPF provides the wind power data of 134 wind turbines from a wind farm over half a year with their relative positions and internal statuses. We use this dataset to launch the Baidu KDD Cup 2022 to examine the limit of current WPF solutions. The dataset is released at https://aistudio.baidu.com/aistudio/competition/detail/152/0/datasets.

연구 동기 및 목표

• 공간적으로 분포된 동적 맥락을 갖춘 풍력 예측(WPF) 연구용 데이터셋을 소개합니다.
• 공간 상관관계가 있는 풍력 발전소 규모에서 풍력 예측 방법의 평가를 가능하게 한다.
• 전통적 시계열 WPF 데이터셋을 넘어선 데이터셋 특징, 평가 프로토콜 및 도전과제를 강조합니다.
• KDD Cup 2022 대회를 위한 기본 모델 및 재현 가능한 평가 설정을 제공합니다.

제안 방법

• 10분 샘플링으로 134터빈 풍력발전단지의 SCADA 시스템에서 수집된 데이터셋.
• 외부 특징(풍속, 방향, 기온) 및 내부 터빈 상태(나셀 온도, 피치 각도 등)를 포함합니다.
• 터빈 수준 데이터와 공간 좌표를 제공하여 터빈 간 공간 상관관계를 모델링합니다.
• 48시간 ahead 예측 작업을 정의하고 10분 간격의 288 스텝 horizon을 생성합니다.
• 평가 프레임워크는 터빈 간 RMSE와 MAE를 집계하고 특정 채점 공식을 사용합니다.
• GRU 기반의 베이스라인 코드를 PaddleSpatial용으로 공개합니다.

실험 결과

연구 질문

• RQ1 SDWPF 데이터를 사용하여 공간-시간 모델이 48시간 ahead의 풍력 예측을 얼마나 효과적으로 수행할 수 있는가?
• RQ2 공간 위치 및 동적 맥락의 포함이 예측 정확도에 미치는 영향은 전통적인 시계열 접근법과 비교하여 어떤가?
• RQ3 WPF 예측 및 평가에서 누락, 미확인, 이상 SCADA 값을 어떻게 처리해야 하는가?
• RQ4 Baidu KDD Cup 2022 작업의 기본 성능은 어떠하며 단순 모델이 더 발전된 방법에 비해 어떠한가?

주요 결과

• SDWPF는 약 반년간의 10분 간격 샘플링과 공간 위치 및 내부 터빈 상태를 포함한 134개 풍력 터빈의 데이터를 포함합니다.
• 도전과제는 농장에 대해 48시간 ahead 풍력 예측을 요구하며 매 10분마다 출력되고 RMSE와 MAE로 평가합니다.
• 베이스라인 GRU 모델이 제공되어 RMSE 47.081286, MAE 37.558233, 전체 점수 42.319760을 195개의 예측에서 달성했습니다.
• 평가 프레임워크는 최종 모델 점수를 터빈 간 합산합니다.
• 코드 및 평가 설정이 재현성과 벤치마킹을 위해 공개적으로 배포되었습니다.