haku: @author Pönni, Outi / yhteensä: 2
viite: 1 / 2
« edellinen | seuraava »
| Tekijä: | Pönni, Outi |
| Työn nimi: | Post-processing wind speed forecasts with the extended logistic regression method for energy production |
| Tuuliennusteiden jälkiprosessointi laajennetulla logistisella regressiomallilla energiantuotantoa varten | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2014 |
| Sivut: | vii + 70 s. + liitt. 3 Kieli: eng |
| Koulu/Laitos/Osasto: | Perustieteiden korkeakoulu |
| Oppiaine: | Systeemi- ja operaatiotutkimus (Mat-2) |
| Valvoja: | Salo, Ahti |
| Ohjaaja: | Kilpinen, Juha |
| Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201411123030 |
| OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
| Sijainti: | P1 Ark Aalto 2194 | Arkisto |
| Avainsanat: | extended logistic regression probabilistic forecast wind speed forecast verification laajennettu logistinen regressio todennäköisyysennuste tuuliennuste verifiointi |
| Tiivistelmä (fin): | Tuulen nopeusennusteita tarvitaan tuulienergian tuotannon ennustamiseen. Tarkemmat tuulen nopeusennusteet vähentävät epävarmuutta tuulienergiaennusteissa ja vähentävät siten sähkön säätökustannuksia. Tässä diplomityössä tutkimme laajennettua logistista regressiomenetelmää (ELR) tuulen nopeuden ennustamiseen käyttäen alkuperäisenä ennusteena keskimääräistä numeerista AROME/Harmonie -ennustetta. ELR tuottaa todennäköisyysjakauman, joka muutetaan tuulen nopeusennusteeksi. ELR-malli luodaan Olkiluodossa sijaitsevalle tuulimastolle käyttäen kahdeksan kuukauden pituista datajaksoa. Malli ennustaa lyhytaikaista (3h) tuulen nopeutta klo 03 UTC joka vuorokausi. ELR-malli muodostetaan käyttäen harjoitusdatana suurinta osaa datasta ja verifiointidatana yhden kuukauden dataa. Paras ELR-malli valitaan vaihtoehtoisista eri parametrikombinaatioita sisältävistä malleista verifiointiarvojen ja tilastollisten suureiden perusteella. Diplomityössä tutkitaan, tuottaako ELR-metodi tarkempia ennusteita kuin alkuperäinen ennuste tai referenssimallit tässä malliasetelmassa. Paras ELR-malli käyttää parametreina tuulen kynnysnopeuden neliöjuurta, tuulen nopeutta sekä tuulen suuntaa. ELR-mallilla saatujen tuulen nopeusennusteiden absoluuttinen keskivirhe on 29% pienempi ja neliöllinen virhe 24% pienempi kuin AROME/Harmonie ennusteiden. Myös graafinen tarkastelu tukee ELR-mallin valintaa. ELR-metodi toimii siis hyvin tuulen nopeuden ennustamiseen ja ELR-metodia kannattaa tutkia laajemmin. Tuloksia voi hyödyntää kaupallisesti sitten, kun malli on laajennettu käsittämään kaikki vuorokauden tunnit ja pidempiä ennusteita on tehty AROME/Harmonie -dataa käyttäen. Malleja voi myös luoda muille tuulimastoille, joille on käytössä havaintodataa. Tulevaisuudessa malli voidaan laajentaa kattamaan koko Suomi. |
| Tiivistelmä (eng): | Wind speed forecasts are used to forecast wind electricity production. More accurate wind speed forecasts reduce uncertainty in electricity production forecasts and therefore also balancing costs. In this thesis, we investigate the extended logistic regression (ELR) method for forecasting wind speeds by using average numerical AROME/Harmonie forecasts as the initial forecasts. The ELR produces a probability distribution, which is converted into wind speed forecasts. Ideally, the ELR produces wind speed forecasts with less uncertainty. The ELR model is created for a wind mast situated in Olkiluoto in southwestern Finland. The short-term (3h) forecasts are made at 03 UTC each day and the data spans eight months. Most of the data is used as the training data while a period of one month marks the verification data. The best ELR model is chosen among alternative ELR models involving different parameter combinations according to verification scores and statistical results. In this thesis, we investigate whether the ELR method produces more accurate forecasts with less uncertainty in this model composition than the initial forecast or the reference models. The best ELR model includes the square root of the threshold wind speed, wind speed and wind direction as parameters. The wind speed forecasts created with this ELR model reduce the absolute mean error by 29% and the root mean square error by 24% compared to the AROME/Harmonie forecasts. Furthermore, the graphical analysis supports the choice of this ELR model. Consequently, the ELR method is adequate for wind speed forecasting and it can be developed further. The results can be used for commercial use after the model is extended to cover all hours of a day and for longer AROME/Harmonie forecasts. Models can also be created for other locations with observation data available. In the future, the model can be extended to cover all Finland. |
| ED: | 2014-11-16 |
INSSI tietueen numero: 50056
+ lisää koriin
« edellinen | seuraava »
INSSI