The short-term wind power forecasting by utilizing machine learning and hybrid Deep Learning frameworks

Abstract

Wind power has become more popular due to an increase in energy demand and the rapid decline in conventional fossil fuels. This paper addresses the rising demand for accurate short-term wind power forecasting, which is critical for minimizing the impacts on grid operations and reducing associated costs. The objective is to develop an innovative deep learning (DL) model that integrates a convolutional neural network (CNN) with a gated recurrent unit (GRU) to enhance forecasting precision for day-ahead applications. In pursuit of these objectives, the CNN GRU model was rigorously tested and compared against three additional models: CNN with bidirectional long short-term memory (BiLSTM), extreme gradient boosting (XGBoost), and random forest (RF). Key performance metrics—namely, mean absolute error (MAE), mean squared error (MSE), root mean squared error (RMSE), and the coefficient of determination (R²)—were employed to assess the efficacy of each model. Statistical validation was also performed using the Diebold-Mariano test to establish significant differences in performance. The most important results reveal that the CNN GRU model outperformed the other models, achieving a MAE of 0.2104 MW, an MSE of 0.1028 MW, an RMSE of 0.3206 MW, and an R² of 0.9768. These findings underscore the model's superior accuracy and reliability in the realm of short-term wind power forecasting. The significance of this research resides in its demonstration of the CNN GRU model as an effective and practical instrument for renewable energy forecasting.

Energia eoliană a devenit mai populară datorită creșterii cererii de energie și scăderii rapide a combustibililor fosili convenționali. Această lucrare abordează cererea în creștere pentru prognoza precisă a energiei eoliene pe termen scurt, care este esențială pentru minimizarea impactului asupra operațiunilor rețelei și reducerea costurilor asociate. Obiectivul este de a dezvolta un model inovator de învățare profundă (DL) care să integreze o rețea neuronală convoluțională (CNN) cu o unitate recurentă convoluțională (GRU) pentru a îmbunătăți precizia prognozei pentru aplicațiile de zi înainte. În urmărirea acestor obiective, modelul CNN GRU a fost testat riguros și comparat cu trei modele suplimentare: CNN cu memorie bidirecțională de lungă durată (BiLSTM), intensificare a gradientului extrem (XGBoost) și pădure aleatoare (RF). Valorile cheie de performanță - și anume eroarea medie absolută (MAE), eroarea medie pătratică (MSE), eroarea medie pătratică (RMSE) și coeficientul de determinare (R2) - au fost folosite pentru a evalua eficacitatea fiecărui model. Validarea statistică a fost efectuată și folosind testul Diebold-Mariano pentru a stabili diferențe semnificative de performanță. Cele mai importante rezultate arată că modelul CNN GRU a depășit celelalte modele, realizând un MAE de 0,2104 MW, un MSE de 0,1028 MW, un RMSE de 0,3206 MW și un R2 de 0,9768. Aceste constatări subliniază acuratețea și fiabilitatea superioară a modelului în domeniul prognozării energiei eoliene pe termen scurt. Semnificația acestei cercetări rezidă în demonstrarea modelului CNN GRU ca instrument eficient și practic pentru prognoza energiei regenerabile.

Ветроэнергетика стала более популярной из-за роста спроса на энергию и быстрого снижения традиционных ископаемых видов топлива. В этой статье рассматривается растущий спрос на точное краткосрочное прогнозирование ветроэнергетики, что имеет решающее значение для минимизации воздействия на работу сети и снижения связанных с этим затрат. Цель состоит в разработке инновационной модели глубокого обучения (DL), которая интегрирует сверточную нейронную сеть (CNN) с управляемым рекуррентным блоком (GRU) для повышения точности прогнозирования для приложений на день вперед. Для достижения этих целей модель CNN GRU была тщательно протестирована и сравнена с тремя дополнительными моделями: CNN с двунаправленной долговременной краткосрочной памятью (BiLSTM), экстремальным градиентным бустингом (XGBoost) и случайным лесом (RF). Ключевые показатели производительности, а именно средняя абсолютная ошибка (MAE), средняя квадратичная ошибка (MSE), среднеквадратическая ошибка (RMSE) и коэффициент детерминации (R2), использовались для оценки эффективности каждой модели. Статистическая проверка также была выполнена с использованием теста Диболда-Мариано для установления существенных различий в производительности. Наиболее важные результаты показывают, что модель CNN GRU превзошла другие модели, достигнув MAE 0,2104 МВт, MSE 0,1028 МВт, RMSE 0,3206 МВт и R2 0,9768. Эти результаты подчеркивают превосходную точность и надежность модели в области краткосрочного прогнозирования ветроэнергетики. Значимость этого исследования заключается в демонстрации модели CNN GRU как эффективного и практичного инструмента для прогнозирования возобновляемой энергии.