Wind power production is of growing importance to many countries around the world. To improve reliability and power grid stability related to wind power, forecasting of wind power is becoming an important commercial and research area. Machine learning methods are considered to be highly valuable when making predictions on time series data and as such have become prominent within wind forecasting as well. This thesis extends an existing neural network prediction system with new input data series, in particular the observed wind speed from the wind farm itself. The goal was to investigate the effect this new data series has, and whether or not it could be used to improve predictions as compared to the baseline prediction system defined within this thesis. To do this multiple methods of including the observed wind speed are developed, including a multi-stage network concept. These results are statistically tested to give more evidence for their comparison to baseline. The results show that the multi-stage network concept can use the observed wind speed to improve performance over the baseline case for specific prediction horizons. / Betydelsen för vindkraftsproduktion växer i länder runt om i världen. För att förbättratillförlitligheten och elnätstabiliteten i vindkraften blir dess prognoser viktiga kommersielltoch ett forskningsområde. Maskininlärningsmetoder anses vara mycket värdefullanär man gör förutsägelser om tidsseriedata och har därmed framträdat inom vindprognoser. Detta arbete utökar ett existerande prediktionssystem av neurala nätverk med ny indata,med särskilt den observerade vindhastigheten från själva vindkraftparken. Måletvar att undersöka effekten av denna nya dataserie, och huruvida den skulle kunna användasför att förbättra förutsägelserna jämfört med det befintliga referensprognossystemetdefinierat i denna uppsats. För att kunna göra detta utvecklas flera metoder för att inkludera den observeradevindhastigheten, inklusive ett flerstegs nätverkskoncept. Dessa resultat är statistiskt testadeför att ge mer grund i deras jämförelse med referensmodellen. Resultaten visar att detflerstega nätverkskonceptet kan använda den observerade vindhastigheten för att förbättraprestanda över referensmodellen för specifika prediktionshorisonter.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-215651 |
| Date | January 2017 |
| Creators | Stamp, Alexander |
| Publisher | KTH, Skolan för datavetenskap och kommunikation (CSC) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0018 seconds