View/ Open
Date
2019Author
Gensler, AndréSubject
620 Engineering WindenergieBereitstellungLeistungsmessungWindparkElektrizitätserzeugungElektrizitätseinspeisungVorhersagetheorieZeitreiheMaschinelles LernenPrognosemodellMetadata
Show full item record
Buch
Wind Power Ensemble Forecasting
Wind Power Ensemble Forecasting
Performance Measures and Ensemble Architectures for Deterministic and Probabilistic Forecasts
Abstract
This thesis describes performance measures and ensemble architectures for deterministic and probabilistic forecasts using the application example of wind power forecasting and proposes a novel scheme for the situation-dependent aggregation of forecasting models. For performance measures, error scores for deterministic as well as probabilistic forecasts are compared, and their characteristics are shown in detail. For the evaluation of deterministic forecasts, a categorization by basic error measure and normalization technique is introduced that simplifies the process of choosing an appropriate errormeasure for certain forecasting tasks. Furthermore, a scheme for the common evaluation of different forms of probabilistic forecasts is proposed. Based on the analysis of the error scores, a novel hierarchical aggregation technique for both deterministic and probabilistic forecasting models is proposed that dynamically weights individual forecasts using multiple weighting factors such as weather situation and lead time dependent weighting. In the experimental evaluation it is shown that the forecasting quality of the proposed technique is able to outperformother state of the art forecastingmodels and ensembles.
Diese Thesis beschäftigt sich mit Qualitätsmetriken und Ensemblearchitekturen für deterministische und probabilistische Vorhersagen anhand des Anwendungsbeispiel der Leistungsvorhersage von Windkraftanlagen und stellt eine neuartige situationsabhängige Kombinationstechnik für Vorhersagen einzelner Vorhersagemodelle vor. Für deterministische Fehlermaße wird eine neue Kategorisierung anhand von Basisfehlermaß und Normalisierungstechnik
eingeführt, die dieWahl einer geeigneten Evaluationsmetrik erleichtert. Weiterhin wird ein Schema für eine gemeinsame Evaluation von probabilistischen Vorhersagetechniken mit unterschiedlichen Repräsentationsformen vorgestellt, das die Kombination verschiedenster probabilistischer Vorhersagen ermöglicht. Auf Basis der analysierten Fehlermaße wird eine neue Aggregationstechnik für deterministische wie probabilistische Vorhersagen vorgestellt,
die eine dynamische Gewichtung der Einzelvorhersagen anhand multipler Gewichtungsfaktoren wie einer wettersituationsabhängigen und vorhersagezeitabhängigen Gewichtung durchführt. In der experimentellen Evaluation wird gezeigt, dass die Qualität der vorgestellten Technik die von aktuellen “State of the Art” Vergleichsverfahren übertrifft.
eingeführt, die dieWahl einer geeigneten Evaluationsmetrik erleichtert. Weiterhin wird ein Schema für eine gemeinsame Evaluation von probabilistischen Vorhersagetechniken mit unterschiedlichen Repräsentationsformen vorgestellt, das die Kombination verschiedenster probabilistischer Vorhersagen ermöglicht. Auf Basis der analysierten Fehlermaße wird eine neue Aggregationstechnik für deterministische wie probabilistische Vorhersagen vorgestellt,
die eine dynamische Gewichtung der Einzelvorhersagen anhand multipler Gewichtungsfaktoren wie einer wettersituationsabhängigen und vorhersagezeitabhängigen Gewichtung durchführt. In der experimentellen Evaluation wird gezeigt, dass die Qualität der vorgestellten Technik die von aktuellen “State of the Art” Vergleichsverfahren übertrifft.
Additional Information
Zugleich: Dissertation, Universität Kassel, 2018Citation
@book{doi:10.17170/kobra-202008181589,
author={Gensler, André},
title={Wind Power Ensemble Forecasting},
publisher={kassel university press},
year={2019}
}
0500 Oax 0501 Text $btxt$2rdacontent 0502 Computermedien $bc$2rdacarrier 1100 2019$n2019 1500 1/eng 2050 ##0##http://hdl.handle.net/123456789/11697 3000 Gensler, André 4000 Wind Power Ensemble Forecasting / Gensler, André 4030 4060 Online-Ressource 4085 ##0##=u http://nbn-resolving.de/http://hdl.handle.net/123456789/11697=x R 4204 \$dBuch 4170 Intelligent Embedded Systems ;; Band 12 5550 {{Windenergie}} 5550 {{Bereitstellung}} 5550 {{Leistungsmessung}} 5550 {{Windpark}} 5550 {{Elektrizitätserzeugung}} 5550 {{Elektrizitätseinspeisung}} 5550 {{Vorhersagetheorie}} 5550 {{Zeitreihe}} 5550 {{Maschinelles Lernen}} 5550 {{Prognosemodell}} 7136 ##0##http://hdl.handle.net/123456789/11697
2020-08-18T12:24:17Z 2020-08-18T12:24:17Z 2019 doi:10.17170/kobra-202008181589 978-3-7376-0637-0 (e-book) http://hdl.handle.net/123456789/11697 Zugleich: Dissertation, Universität Kassel, 2018 eng kassel university press urn:nbn:de:0002-406378 Urheberrechtlich geschützt https://rightsstatements.org/page/InC/1.0/ 620 Wind Power Ensemble Forecasting Buch This thesis describes performance measures and ensemble architectures for deterministic and probabilistic forecasts using the application example of wind power forecasting and proposes a novel scheme for the situation-dependent aggregation of forecasting models. For performance measures, error scores for deterministic as well as probabilistic forecasts are compared, and their characteristics are shown in detail. For the evaluation of deterministic forecasts, a categorization by basic error measure and normalization technique is introduced that simplifies the process of choosing an appropriate errormeasure for certain forecasting tasks. Furthermore, a scheme for the common evaluation of different forms of probabilistic forecasts is proposed. Based on the analysis of the error scores, a novel hierarchical aggregation technique for both deterministic and probabilistic forecasting models is proposed that dynamically weights individual forecasts using multiple weighting factors such as weather situation and lead time dependent weighting. In the experimental evaluation it is shown that the forecasting quality of the proposed technique is able to outperformother state of the art forecastingmodels and ensembles. Diese Thesis beschäftigt sich mit Qualitätsmetriken und Ensemblearchitekturen für deterministische und probabilistische Vorhersagen anhand des Anwendungsbeispiel der Leistungsvorhersage von Windkraftanlagen und stellt eine neuartige situationsabhängige Kombinationstechnik für Vorhersagen einzelner Vorhersagemodelle vor. Für deterministische Fehlermaße wird eine neue Kategorisierung anhand von Basisfehlermaß und Normalisierungstechnik eingeführt, die dieWahl einer geeigneten Evaluationsmetrik erleichtert. Weiterhin wird ein Schema für eine gemeinsame Evaluation von probabilistischen Vorhersagetechniken mit unterschiedlichen Repräsentationsformen vorgestellt, das die Kombination verschiedenster probabilistischer Vorhersagen ermöglicht. Auf Basis der analysierten Fehlermaße wird eine neue Aggregationstechnik für deterministische wie probabilistische Vorhersagen vorgestellt, die eine dynamische Gewichtung der Einzelvorhersagen anhand multipler Gewichtungsfaktoren wie einer wettersituationsabhängigen und vorhersagezeitabhängigen Gewichtung durchführt. In der experimentellen Evaluation wird gezeigt, dass die Qualität der vorgestellten Technik die von aktuellen “State of the Art” Vergleichsverfahren übertrifft. open access Gensler, André 2018-09-21 x, 204 Seiten Intelligent Embedded Systems ;; Band 12 Kassel, Universität Kassel, Fachbereich Elektrotechnik / Informatik Sick, Bernhard (Prof. Dr.) Rohrig, Kurt (Prof. Dr.) Kassel 978-3-7376-0636-3 (print) Windenergie Bereitstellung Leistungsmessung Windpark Elektrizitätserzeugung Elektrizitätseinspeisung Vorhersagetheorie Zeitreihe Maschinelles Lernen Prognosemodell Performance Measures and Ensemble Architectures for Deterministic and Probabilistic Forecasts publishedVersion Intelligent Embedded Systems Band 12 true Intelligent Embedded Systems Naturwissenschaft, Technik, Informatik, Medizin Dissertation FB 16 / Elektrotechnik / Informatik
The following license files are associated with this item:
:Urheberrechtlich geschützt