Wind speed forecasting approach using conformal prediction and feature importance selection

Abstract

Resumo: Energia eólica é uma fonte de energia renovável em ascensão, desempenhando um papel importante na transição para um sistema energético mais sustentável. A capacidade global total de energia eólica supera 837 GW, evitando mais de 1,2 bilhão de toneladas de dióxido de carbono (CO2) por ano, e espera-se um ganho de 557 GW na capacidade de parques eólicos até 2026. No entanto, sua variabilidade e a incerteza nas previsões de velocidade do vento apresentam desafios significativos para a geração de energia eólica, afetando sua confiabilidade, eficiência e integração na rede elétrica. A variação na geração de energia eólica é um dos principais desafios enfrentados por essa fonte de energia. Além disso, a incerteza nas previsões de velocidade do vento representa um desafio adicional. As previsões de vento são essenciais para o planejamento e a operação de parques eólicos, mas são complexas devido à natureza dinâmica do vento e à influência de fatores locais.O objetivo geral desta dissertação é propor uma abordagem para previsão de curto prazo de séries temporais com uma medida de incerteza associada à previsão de velocidades do vento, utilizando Predição Conformal, e seleção ótima de variáveis com base em sua importância, utilizando Shapley, para melhorar a compreensão das variáveis e resultados, fornecendo uma variável de entrada mais confiável e previsível para modelos de previsão de potência de turbinas eólicas ou outras aplicações. Esta dissertação utiliza os modelos propostos em dois casos relacionados à previsão de velocidade do vento: Beutenberg (Alemanha) e Limoeiro (Brasil).Este trabalho constatou que, para ambos os casos, a decomposição de séries temporais usando Decomposição Modal Variacional (VMD), aliada à Análise de Espectro Singular (SSA), para alimentar um modelo de predição conformal melhorou o desempenho do modelo. No caso um, o modelo campeão foi a Máquina de Gradiente Boosting Leve (LGBM)+VMD+SSA sem ajuste parcial, resultando em um erro quadrático médio (RMSE) de 0,251, cobertura de 94,4% e largura de 1,008. No caso dois, o melhor modelo foi o LGBM+VMD+SSA sem ajuste parcial, resultando em um RMSE de 0,21597, cobertura de 90,3% e largura de 0,678. Além disso, os modelos propostos neste trabalho podem ser utilizados para prever a velocidade do vento e a geração de energia eólica

Abstract: Wind power is a renewable energy source on the rise, playing an important role in transitioning to a more sustainable energy system. Total global wind energy capacity stands at more than 837 GW and avoids more than 1.2 tons of carbon dioxide (????) per year, and a gain of 557 GW in wind farm capacity is expected by 2026. However, its variability and the uncertainty in wind speed forecasts present significant challenges for wind power generation, affecting its reliability, efficiency, and integration into the electricity grid. The variation in wind power generation is one of the main challenges faced by this energy source. Furthermore, the uncertainty in wind speed forecasts represents an additional challenge. Wind forecasts are essential for planning and operating wind farms but are complex due to the dynamic nature of the wind and the influence of local factors. The general objective of this dissertation is to propose an approach for short-term forecasting of time series with a measure of uncertainty associated with forecasting wind speeds, using Conformal Prediction, and optimal selection of features based on their importance, using Shapley, to improve the understanding of features and results while providing a more reliable and predictable input variable for wind turbine power forecasting models or other applications. This dissertation uses the proposed models in two cases regarding wind speed forecasting: Beutenberg (Germany) and Limoeiro (Brazil). This work found that for both cases the decomposition of time series using Variational Mode Decomposition (VMD) allied with Singular Spectrum Analysis (SSA) to feed into a conformal prediction model improved the performance of the model, for case one the champion model was Light Gradient Boosting Machine (LGBM)+VMD+SSA without partial fit, resulting in a root mean squared error (RMSE) of 0.251, coverage of 94.4% and width of 1.008. For case two, the best model was the LGBM+VMD+SSA without partial fit resulting in an RMSE of 0.21597, a coverage of 90.3%, and a width of 0.678. Also, the models proposed in this work can be used to predict the wind speed and the wind power generation