[论文解读] Wind speed forecast using random forest learning method

G. V. Drisya, P. Valsaraj+2 more|arXiv (Cornell University)|Mar 23, 2022

Energy Load and Power Forecasting被引用 8

一句话总结

本文提出了一种基于随机森林回归的短期风速预测模型，利用过去12小时的历史风速数据进行预测。在两周数据上进行训练后，该模型能够实现高达三年的可靠预测，且均方根误差较低，证明了集成学习在可再生能源预测中的有效性。

ABSTRACT

Wind speed forecasting models and their application to wind farm operations are attaining remarkable attention in the literature because of its benefits as a clean energy source. In this paper, we suggested the time series machine learning approach called random forest regression for predicting wind speed variations. The computed values of mutual information and auto-correlation shows that wind speed values depend on the past data up to 12 hours. The random forest model was trained using ensemble from two weeks data with previous 12 hours values as input for every value. The computed root mean square error shows that model trained with two weeks data can be employed to make reliable short-term predictions up to three years ahead.

研究动机与目标

• 开发一种基于机器学习的风速预测模型，以改善风电场运行效率。
• 通过互信息和自相关分析研究风速的时间依赖性。
• 评估随机森林回归在长期预测时间跨度内预测风速的性能。
• 确定预测模型中输入特征的最优历史时间窗口（最多12小时）。
• 使用真实世界数据验证模型在长期短期预测中的可靠性。

提出的方法

• 使用过去12小时的测量值作为输入特征，基于两周的历史风速数据对随机森林回归模型进行训练。
• 通过互信息和自相关分析指导特征选择，以识别相关的时间依赖性。
• 模型采用决策树的集成方法，以降低方差并提高预测鲁棒性。
• 使用测试数据的均方根误差（RMSE）评估模型性能。
• 对训练好的模型进行外推能力测试，预测时间跨度最长可达三年。
• 通过时间序列交叉验证实现预测框架，以确保模型的泛化能力。

实验结果

研究问题

• RQ1 使用过去观测值预测未来风速时，最优的历史时间窗口是什么？
• RQ2 随机森林回归模型在捕捉风速时间序列中的非线性模式方面有多有效？
• RQ3 在仅使用两周时间窗口进行训练的模型，能否泛化到长期预测（最多三年）？
• RQ4 与基线方法相比，随机森林模型的预测精度如何？
• RQ5 互信息和自相关值如何指导模型中输入特征的选择？

主要发现

• 互信息和自相关分析证实，风速值在最多12小时内的过去数据中表现出显著依赖性。
• 在两周数据上训练的随机森林模型实现了较低的均方根误差，表明预测精度较高。
• 该模型成功实现了长达三年的可靠短期风速预测。
• 随机森林的集成特性有效降低了过拟合，并提高了在噪声风速数据上的鲁棒性。
• 将过去12小时的历史风速数据作为输入特征，显著提升了预测性能。
• 模型在长预测时间跨度上的泛化能力表明其在风能系统中具有强大的实际部署潜力。