Advanced and Optimized Forecasting Techniques for Wind Power Generation: A Comparative Analysis
Notice bibliographique
Résumé
Wind power forecasting and subsequently ramp event detection are vital for maintaining the stability and efficiency of modern power grids that increasingly rely on renewable energy sources. This study presents a new hybrid forecasting framework that combines Long Short-Term Memory (LSTM) networks with Extreme Gradient Boosting (XGBoost) to address the limitations of each model individually. While LSTMs are effective at capturing temporal dependencies, they tend to perform poorly in detecting rapid changes such as ramp events. Conversely, XGBoost provides accurate point predictions but lacks inherent temporal awareness. By merging these models, our framework leverages LSTM’s ability to model time sequences and XGBoost’s strength in predicting sharp transitions. This integration markedly improves short-term forecasting accuracy, especially during dynamic ramp conditions. The framework focuses on short-term forecasting with a 12 -hour horizon using 24 hours of historical and forecasted exogenous data. Tested on a four-year meteorological dataset from Atlantic Canada, our results show that this integrated approach, leveraging the complementary strengths of hybrid deep learning (Dual Transformer-LSTM) and tree-based models (XGBoost), achieve a $30 \%$ relative improvement in deterministic and a $40 \%$ improvement in deterministic accuracy when capturing both general and ramp-specific features of wind power signals compared to the other two methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».