[论文解读] A Review of Wind Speed and Wind Power Forecasting Techniques

Harsh S. Dhiman, Dipankar Deb|arXiv (Cornell University)|Sep 2, 2020

Energy Load and Power Forecasting参考文献 46被引用 29

一句话总结

本文综述了风速与风力发电预测技术，对比了ARIMA和持续性等统计模型与小波分解、LSSVM及WOA-LSSVR等先进机器学习与混合方法。结果表明，混合模型显著提升了预测精度，尤其在短期和中期预测中，RMSE与MAPE指标相比基准模型最高降低20%。

ABSTRACT

Forecasting a particular variable can depend upon temporal or spatial scale. Temporal variations that indicate variations with time, reflect the stochasticity present in the variable. Spatial variation usually are dominant in climatology and meteorology. Temporal scale for a variable can be modeled in terms of time-series. A time series is a successively ordered sequence of numerical data points, and can be taken on any variable changing with time. Wind speed forecasting applications lie majorly in the area of electricity market clearing, economic load dispatch and scheduling, and sometimes to provide ancillary support. Thus, a proper classification based on the prediction horizon i.e. the duration of prediction becomes important for various transmission system operators.

研究动机与目标

• 根据预测时长（超短期至超长期）对风力预测方法进行分类，以实现电力系统中的定制化应用。
• 评估并比较传统统计模型（如ARIMA、持续性模型）与先进机器学习技术在风速/风力发电预测中的表现。
• 分析结合信号处理与智能算法的混合预测模型的性能，以提升预测精度。
• 识别关键性能指标（MAPE、RMSE、MAE、MSE），用于在不同时间尺度下衡量预测精度。
• 提供预测技术的系统性综述，以支持风力发电的最优调度与电网并网。

提出的方法

• 根据预测时长对预测方法进行分类：超短期（秒至30分钟）、短期（30分钟至6小时）、中期（6–24小时）、长期（24–72小时）和超长期（72小时以上）。
• 采用标准误差指标：MAPE、MAE、MSE和RMSE，通过以下公式量化预测精度：MAPE = (100/N)Σ|pf−p|/pf，MAE = (1/N)Σ|pf−p|，MSE = (1/N)Σ(pf−p)²，RMSE = √(MSE)。
• 应用信号预处理技术，如小波分解、EEMD和CEEMD，以降低噪声并从原始风速时间序列中提取有意义的子信号。
• 采用机器学习模型，包括LSSVM、ELM、GRNN、BPNN和Elman神经网络，并通过元启发式算法（如WOA和蜻蜓算法）进行优化。
• 将分解技术与回归模型结合（如WOA-LSSVR、MOSCA-WNN），通过建模风速的非线性和非平稳特性，提升多步预测性能。
• 在多个全球数据集（如新加坡、中国、澳大利亚）上验证模型，通过与ARIMA和持续性模型等基准模型的对比分析进行性能评估。

实验结果

研究问题

• RQ1 不同风力预测方法在从超短期到超长期的各类预测时长下表现如何？
• RQ2 统计模型（如ARIMA、持续性模型）与混合机器学习模型在风速与风力发电预测中的相对精度如何？
• RQ3 小波分解与EEMD等信号预处理技术在非平稳风速数据中能多大程度上提升预测精度？
• RQ4 元启发式优化算法（如WOA、蜻蜓算法）如何提升回归模型在风力预测中的性能？
• RQ5 在实际应用中，哪些关键性能指标（MAPE、RMSE、MAE）最能反映混合预测模型的预测精度？

主要发现

• 混合预测模型，特别是结合小波分解与LSSVM或WOA优化的LSSVR模型，在RMSE与MAPE指标上显著优于ARIMA和持续性等传统统计模型。
• WOA-LSSVR模型在六个全球风速数据集上的表现优于GRNN与BPNN，RMSE与MAE均更低。
• 采用互补集合经验模态分解（CEEMD）与多目标优化的模型在预测高度非线性风速序列时表现出更强的鲁棒性与稳定性。
• 在LSSVM模型中引入相关系数进行输入选择，通过优先选取小波分解提取的相关子序列，显著提升了预测精度。
• 性能评估结果表明，与RMSE相比，MAPE在评估风力发电预测相对精度时更具有效性。
• 尽管计算成本较高，基于MCEEMD的混合模型在处理风速数据中的噪声与极端值方面表现出更优的预测精度，尤其在复杂场景中优势显著。