Return to search

Using Unsupervised Machine Learning for Outlier Detection in Data to Improve Wind Power Production Prediction / Användning av oövervakad maskininlärning för outlier-identifikation i data för att förbättra prediktioner av vindkraftsproduktion

The expansion of wind power for electrical energy production has increased in recent years and shows no signs of slowing down. This unpredictable source of energy has contributed to destabilization of the electrical grid causing the energy market prices to vary significantly on a daily basis. For energy producers and consumers to make good investments, methods have been developed to make predictions of wind power production. These methods are often based on machine learning were historical weather prognosis and wind power production data is used. However, the data often contain outliers, causing the machine learning methods to create inaccurate predictions. The goal of this Master’s Thesis was to identify and remove these outliers from the data so that the accuracy of machine learning predictions can improve. To do this an outlier detection method using unsupervised clustering has been developed and research has been made on the subject of using machine learning for outlier detection and wind power production prediction. / Vindkraftsproduktion som källa för hållbar elektrisk energi har på senare år ökat och visar inga tecken på att sakta in. Den här oförutsägbara källan till energi har bidragit till att destabilisera elnätet vilket orsakat dagliga kraftiga svängningar i priser på elmarknaden. För att elproducenter och konsumenter ska kunna göra bra investeringar har metoder för att prediktera vindkraftsproduktionen utvecklats. Dessa metoder är ofta baserade på maskininlärning där historiska data från väderleksprognoser och vindkraftsproduktion använts. Denna data kan innehålla så kallade outliers, vilket resulterar i försämrade prediktioner från maskininlärningsmetoderna. Målet med det här examensarbetet var att identifiera och ta bort outliers från data så att prediktionerna från dessa metoder kan förbättras. För att göra det har en metod för outlier-identifikation utveklats baserad på oövervakad maskininlärning och forskning har genomförts på områdena inom maskininlärning för att identifiera outliers samt prediktion för vindkraftsproduktion.

Identiferoai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-200336
Date January 2017
CreatorsÅkerberg, Ludvig
PublisherKTH, Skolan för datavetenskap och kommunikation (CSC)
Source SetsDiVA Archive at Upsalla University
LanguageEnglish
Detected LanguageSwedish
TypeStudent thesis, info:eu-repo/semantics/bachelorThesis, text
Formatapplication/pdf
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0023 seconds