[论文解读] A three-stage model for short-term extreme wind speed probabilistic forecasting

Daniela Castro‐Camilo, Raphaël Huser+1 more|arXiv (Cornell University)|Oct 9, 2018

Energy Load and Power Forecasting参考文献 29被引用 1

一句话总结

该论文提出了一种三阶段潜变量高斯模型，结合拼接的伽马-广义帕累托分布，以联合预测短期极端与非极端风速。通过使用集成嵌套拉普拉斯近似（INLA）实现高效推断和灵活的加性预测器，该模型能够捕捉风速分布的主体部分与尾部，从而实现对风力涡轮机安全与电网稳定至关重要的精确概率预测。

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.

研究动机与目标

• 解决目前缺乏针对极端风速概率预测的模型的问题，因为极端风速对风力涡轮机的完整性与电网稳定性构成重大威胁。
• 开发一个统一框架，同时对非极端与极端风速分布进行建模，以提高预测精度。
• 通过高效的计算方法，实现实时或运行时的时空风速动态的快速可靠推断。
• 通过将极值理论与灵活的回归结构结合，捕捉风速分布的完整行为特征，尤其是重尾部分。

提出的方法

• 提出一种灵活的拼接分布，使用伽马分布拟合非极端风速，使用广义帕累托分布（GPD）拟合极端值，确保在阈值处的连续性。
• 将模型构建在潜变量高斯模型类别内，利用集成嵌套拉普拉斯近似（INLA）方法实现高效推断。
• 在潜变量线性预测器中使用加性回归结构，以建模风速数据中的时空依赖性。
• 引入灵活的协变量和光滑函数，以捕捉风速动态中的时间趋势、昼夜周期及空间变化。
• 在潜变量高斯设定下，通过统一的似然框架同时估计伽马分布与GPD分量的参数。
• 通过避免计算密集的MCMC采样，确保模型在短期预测中的计算效率与可扩展性。

实验结果

研究问题

• RQ1 如何通过单一概率模型在短期时间范围内有效预测非极端与极端风速？
• RQ2 与单变量模型相比，拼接的伽马-GPD分布能在多大程度上更好地表征完整的风速分布？
• RQ3 潜变量高斯模型中的加性预测器能否在保持计算效率的同时捕捉风速数据中的复杂时空模式？
• RQ4 与现有极端风速预测模型相比，所提出的模型在预测性能上表现如何？

主要发现

• 所提出的三阶段模型成功捕捉了风速分布的主体部分与尾部，实现了全面的概率预测。
• 集成嵌套拉普拉斯近似（INLA）的使用实现了快速且准确的推断，使该模型适用于实时或业务运行的预测。
• 拼接的伽马-广义帕累托模型相较于将极端值单独处理或忽略尾部分布的模型，能更准确地表征极端风速。
• 潜变量线性预测器中灵活的加性结构有效建模了风速的时间与空间变化，提升了预测的可靠性。
• 该模型实现了高度的计算效率，可在不损失分布精度的前提下实现快速拟合并完成短期预测。
• 该框架在风能系统中具有强大的应用潜力，可增强涡轮机保护与电网并网能力。