[论文解读] Spatial-temporal wind field prediction by Artificial Neural Networks

Jianan Cao, David Farnham+1 more|arXiv (Cornell University)|Dec 13, 2017

Energy Load and Power Forecasting参考文献 13被引用 5

一句话总结

该论文提出了一种结合卷积神经网络、LSTM 和转置卷积神经网络层的深度学习模型，用于预测大区域（约3.15×10⁶ km²）内6小时和24小时后的时空风场。该模型在预测完整风速场方面显著优于持续性模型、均值模型和ARIMA基线模型，展现出在电网并网和电力系统规划中更高的准确性。

ABSTRACT

The prediction of near surface wind speed is becoming increasingly vital for the operation of electrical energy grids as the capacity of installed wind power grows. The majority of predictive wind speed modeling has focused on point-based time-series forecasting. Effectively balancing demand and supply in the presence of distributed wind turbine electricity generation, however, requires the prediction of wind fields in space and time. Additionally, predictions of full wind fields are particularly useful for future power planning such as the optimization of electricity power supply systems. In this paper, we propose a composite artificial neural network (ANN) model to predict the 6-hour and 24-hour ahead average wind speed over a large area (~3.15*106 km2). The ANN model consists of a convolutional input layer, a Long Short-Term Memory (LSTM) hidden layer, and a transposed convolutional layer as the output layer. We compare the ANN model with two non-parametric models, a null persistence model and a mean value model, and find that the ANN model has substantially smaller error than each of these models. Additionally, the ANN model also generally performs better than integrated autoregressive moving average models, which are trained for optimal performance in specific locations.

研究动机与目标

• 为应对风电装机容量持续增长所带来的准确时空风速预测需求，以支持电网运行。
• 超越传统的点预测时间序列方法，实现对大范围地理区域的完整风场预测。
• 开发一种能够捕捉风场中复杂时空依赖关系的深度学习模型。
• 在真实预测场景中，评估该模型相对于非参数模型和统计基线模型的性能表现。

提出的方法

• 模型使用卷积神经网络（CNN）作为输入层，从历史风速数据中提取空间特征。
• LSTM层用于处理时间序列，以建模风速演变中的长期依赖关系。
• 转置卷积层将潜在表示解码为输出层的完整空间风场预测。
• 模型在大区域（约3.15×10⁶ km²）的历史风速数据上进行端到端训练，以预测6小时和24小时的平均风速。
• 该架构旨在同时保持空间分辨率，并捕捉局部和全局风场模式。
• 通过标准误差指标评估模型性能，并与持续性模型、均值模型和ARIMA基线模型进行对比。

实验结果

研究问题

• RQ1 深度学习模型能否在大范围地理区域内以高精度有效预测时空风场？
• RQ2 所提出的CNN-LSTM-Deconv模型在预测风速场方面相较于传统非参数模型和统计模型表现如何？
• RQ3 该模型在点预测之外，能在多大程度上捕捉风速数据中的复杂时空依赖关系？
• RQ4 该模型在研究区域内不同地理区域之间是否具有良好的泛化能力？

主要发现

• 所提出的ANN模型相比持续性模型和均值模型，预测误差显著更低。
• 在研究区域的大多数位置，该模型优于经过最优调参的ARIMA模型。
• 该模型成功捕捉了大范围区域（约3.15×10⁶ km²）内风场的空间模式和时间动态。
• LSTM的使用使得风速序列中的长期时间依赖关系得以有效建模。
• 转置卷积层实现了高分辨率的空间输出，同时保持了风场的空间结构。
• 该模型在不同地理区域间展现出强大的泛化能力，支持其在电力系统规划中的应用。