| dc.date.accessioned | 2020-08-18T12:24:17Z | |
| dc.date.available | 2020-08-18T12:24:17Z | |
| dc.date.issued | 2019 | |
| dc.identifier | doi:10.17170/kobra-202008181589 | |
| dc.identifier.isbn | 978-3-7376-0637-0 (e-book) | |
| dc.identifier.uri | http://hdl.handle.net/123456789/11697 | |
| dc.description | Zugleich: Dissertation, Universität Kassel, 2018 | ger |
| dc.language.iso | eng | eng |
| dc.publisher | kassel university press | |
| dc.relation.uri | urn:nbn:de:0002-406378 | |
| dc.rights | Urheberrechtlich geschützt | |
| dc.rights.uri | https://rightsstatements.org/page/InC/1.0/ | |
| dc.subject.ddc | 620 | |
| dc.title | Wind Power Ensemble Forecasting | ger |
| dc.type | Buch | |
| dcterms.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. | eng |
| dcterms.abstract | 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. | ger |
| dcterms.accessRights | open access | |
| dcterms.creator | Gensler, André | |
| dcterms.dateAccepted | 2018-09-21 | |
| dcterms.extent | x, 204 Seiten | |
| dcterms.isPartOf | Intelligent Embedded Systems ;; Band 12 | |
| dc.contributor.corporatename | Kassel, Universität Kassel, Fachbereich Elektrotechnik / Informatik | ger |
| dc.contributor.referee | Sick, Bernhard (Prof. Dr.) | |
| dc.contributor.referee | Rohrig, Kurt (Prof. Dr.) | |
| dc.publisher.place | Kassel | |
| dc.relation.isbn | 978-3-7376-0636-3 (print) | |
| dc.subject.swd | Windenergie | ger |
| dc.subject.swd | Bereitstellung | ger |
| dc.subject.swd | Leistungsmessung | ger |
| dc.subject.swd | Windpark | ger |
| dc.subject.swd | Elektrizitätserzeugung | ger |
| dc.subject.swd | Elektrizitätseinspeisung | ger |
| dc.subject.swd | Vorhersagetheorie | ger |
| dc.subject.swd | Zeitreihe | ger |
| dc.subject.swd | Maschinelles Lernen | ger |
| dc.subject.swd | Prognosemodell | ger |
| dc.title.subtitle | Performance Measures and Ensemble Architectures for Deterministic and Probabilistic Forecasts | ger |
| dc.type.version | publishedVersion | |
| dcterms.source.series | Intelligent Embedded Systems | |
| dcterms.source.volume | Band 12 | |
| kup.iskup | true | |
| kup.price | 39,00 | |
| kup.series | Intelligent Embedded Systems | |
| kup.subject | Naturwissenschaft, Technik, Informatik, Medizin | |
| kup.typ | Dissertation | |
| kup.institution | FB 16 / Elektrotechnik / Informatik | |
