Vorhersage der monatlichen Windgeschwindigkeiten mit XGBoost: Eine Fallstudie zur Optimierung erneuerbarer Energien

Diese Studie präsentiert ein Modell zur Vorhersage der Windgeschwindigkeit unter Verwendung von monatlichen Durchschnittswerten der Windgeschwindigkeit, das den Extreme Gradient Boosting (XGBoost)-Algorithmus einsetzt, um die Genauigkeit der Vorhersagen für den Betrieb von Windkraftanlagen zu verbessern. Eine genaue Vorhersage der Windgeschwindigkeit ist entscheidend für die Optimierung der Energieproduktion, die Sicherstellung der Netzstabilität und die Verbesserung der operativen Planung. Vorhandene Studien zur Verbesserung der Vorhersage der Windgeschwindigkeit mittels ML-Algorithmen weisen einige Nachteile hinsichtlich Genauigkeit, effizienter Vorhersage und Feststecken in lokalen Optima auf. Der Datensatz umfasst monatliche Durchschnittswerte von Windgeschwindigkeitsmessungen, und eine umfassende Vorverarbeitung wird durchgeführt, um die Daten für maschinelles Lernen vorzubereiten. Verschiedene Techniken zur Feinabstimmung der Hyperparameter, einschließlich Randomized Search, Grid Search und Bayesian Optimization, werden angewendet, um die Vorhersagegenauigkeit zu verbessern. Die Leistung des Modells wird unter Verwendung wichtiger Metriken bewertet, einschließlich Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), Continuous Ranked Probability Score (CRPS) und Maximum Error. Die Ergebnisse zeigen, dass die Feinabstimmung der Hyperparameter die Modellgenauigkeit erheblich verbessert. Insbesondere zeigt Grid Search eine überlegene Leistung bei kurzfristigen (einmonatigen) Vorhersagen, während Randomized Search effektiver für langfristige (sechsmonatige) Vorhersagen ist. Die Ergebnisse betonen die kritische Bedeutung von Strategien zur Feinabstimmung der Hyperparameter bei der Entwicklung zuverlässiger Vorhersagemodelle für Windgeschwindigkeiten, die erhebliche Auswirkungen auf die effiziente Verwaltung von Windenergie-Ressourcen haben.